特征点检测、目标检测、交并比、非最大值抑制、锚框、YOLO算法、候选区域

目录

1.特征点检测(Landmark detection)

如果要做一个人脸识别的基本构造模块。

首先需要选择一些特征点，帮助定义脸部轮廓、眼睛位置等脸部特征，假设选定64个特征点。

然后将人脸图片送进卷积网络中训练，网络输出为：这64个特征点的位置+是否有人脸标记(0或1)。

2.目标检测(object detection)

目标检测包括定位和分类两步。

比如下图想检测汽车，假设最后一层输出四个类别的概率，pedestrian、car、motorcycle、background。

为该监督学习任务定义目标标签(target label)：y=[

：是否有任何物体(取值为0或1)，、、分别表示各个类别的概率。

如何通过卷积网络进行对象检测？

采用基于滑动窗口的目标检测算法。

首先，将识别汽车的卷积网络训练好。

然后，选定某一个大小的窗口，以固定步幅滑动窗口，遍历图像的每个区域。将遍历过程中剪切的小图像输入上面训练好的卷积网络，分别按照0或1进行分类。

如果检测不到，就不断扩大滑动的窗口，重复上述步骤，总能检测到目标对象(如果确实有的话)。

如果你把滑动窗口截取的图像一个个送进网络，计算成本太高。

把整张图片输入给卷积网络进行计算，可以减少计算成本，因为有太多重复的计算。不需要把输入图片分割成4个子集，分别执行向前传播。

3.更精准的边界框(more accurate bounding boxes)

有时候用滑动窗口无法精确定位目标。那么，如何得到更精准的边界框 ？

yolo算法将输入图像用网格进行分割，每一个格子的图片在训练的时候对应一个标签y。

目标对象的中点在哪个格子，就属于哪个格子。

4.交并比(IoU，intersection over union)

交并比：预测边界框和实际边界框的交集和并集之比，用于衡量定位精度的。一般IoU>=0.5，预测边界框就算正确。

5.非最大值抑制(non-max suppression)

非最大值抑制：保证算法对每个目标对象只检测输出一次。

举例解释：如果想要检测车的位置。如下图，将图片分割成19x19的格子，这361个格子都会执行图像检测的算法。显然，车会覆盖很多格子，最后可能输出多个检测的边界框。如右图。

为了使只有一个边界框作出有车的预测，计算每个边界框的IoU，IoU最大的边界框作出有车的预测，其它IoU较小的就被"抑制"了，被清理掉。

6.锚框(Anchor boxes)

如何让一个格子检测出多个目标对象？

如下图，人和车的中点都落在一个格子里。预先定义两个不同形状的Anchor box，定义标签y。

分别计算预测目标的边界框和这两个Anchor box的IoU，选择最大的那个，即给目标对象既分配一个格子，也分配一个Anchor box。

7.YOLO算法(you only look once)

训练

假设使用3x3的网格。识别3个物体(行人、汽车、摩托车)。两个anchor box，分别对应行人和汽车。单个格子的图片对应的标签y有16位(c1,c2,c3表示识别为这3个类别的概率，两个分别表示是不是行人、是不是汽车)。整个图片送进卷积网络，输出尺寸为3x3x16。

8.候选区域(Region proposals)

R-CNN：带区域的CNN，仅选择图像上的某些区域，运行卷积网络分类器。毕竟有些区域只有背景不含目标对象，没必要也把它送进网络中去预测。

我们利用图像分割算法(segmentation algorithm)去找出可能存在对象的区域。

在此基础上的改进算法：Fast R-CNN、Faster R-CNN