目标检测学习

目录

1、目标定位

2、特征点检测

3、目标检测

4、滑动窗口的卷积实现

5、Bounding Box 预测（Bounding box predictions）

6、交并化

7、非极大值抑制

8、Anchor Boxes

9、YOLO算法 

---

1、目标定位

2、特征点检测

• 如何检测特征点（以人的部位为例）

（1）、准备一个卷积网络和一些特征集，将人脸图片输入卷积网络，输出 1 或 0， 1 表示有人

脸，0 表示没有人脸。然后输出（1，1）……直到（64，64）

（2）、这里有129 个输出单元，其中1表示图片中有人脸，因为有64个特征，64×2=128，

所以最终输出 128+1=129 个单元，由此根据这128个人脸特征实现对图片的人脸检测和定位，或

者表情识别这些更加复杂的操作

3、目标检测

• 滑动窗口目标检测算法

（1）、选定一个特定大小的窗口，比如上面图片中的窗口，将这个红色小方块输入卷积神经网

络，卷积网络开始进行预测，即判断红色方框内有没有汽车

（2）、迭代上面的图片中的每一个窗口中的图片，进行重复的操作。红色小方块中的图片输入

卷积神经网络中进行预测，若有汽车则输出1，否则为0

• 滑动窗口目标检测算法的缺点

（1）、滑动窗口目标检测算法也有很明显的缺点，就是计算成本，因为你在图片中剪切出太多

小方块，卷积网络要一个个地处理

（2）、选用的步幅很大，显然会减少输入卷积网络的窗口个数，但是粗糙间隔尺寸可能会影响性

能

（3）、如果采用小粒度或小步幅，传递给卷积网络的小窗口会特别多，这意味着超高的计算成本

4、滑动窗口的卷积实现

• 神经网络的全连接层转化成卷积层

（1）、首先要把神经网络的全连接层转化成卷积层

（2）、前几层和之前的一样，而对于下一层，也就是这个全连接层，我们可以用 5×5 的过滤器来

实 现，数量是 400 个（编号 1 所示），输入图像大小为 5×5×16，用 5×5 的过滤器对它进行卷 积

操作，过滤器实际上是 5×5×16，因为在卷积过程中，过滤器会遍历这 16 个通道，所以这 两处的

通道数量必须保持一致，输出结果为 1×1。假设应用 400 个这样的 5×5×16 过滤器， 输出维度就

是 1×1×400，我们不再把它看作一个含有 400 个节点的集合，而是一个 1×1×400 的输出层。从数

学角度看，它和全连接层是一样的，因为这 400 个节点中每个节点都有一个 5×5×16 维度的过滤

器，所以每个值都是上一层这些 5×5×16 激活值经过某个任意线性函数的输出结果

（3）、用的是 1×1 卷积，假设有 400 个 1×1 的过滤器，在这 400 个过滤器的作用下，下一层的

维度是 1×1×400，它其实就是上个网络中 的这一全连接层。最后经由 1×1 过滤器的处理，得到一

个 softmax 激活值，通过卷积网络， 最终得到这个 1×1×4 的输出层

• 通过卷积实现滑动窗口对象检测算法

（1）、假设输入给卷积网络的图片大小是 14×14×3，测试集图片是 16×16×3，现在给这个输入

图片加上黄色条块，在最初的滑动窗口算法中，你会把这片蓝色区域输入卷积网络（红色笔

标记）生成 0 或 1 分类。接着滑动窗口，步幅为 2 个像素，向右滑动 2 个像素，将这个绿框

区域输入给卷积网络，运行整个卷积网络，得到另外一个标签 0 或 1 。继续将这个橘色区域

输入给卷积网络，卷积后得到另一个标签，最后对右下方的紫色区域进行最后一次卷积操作。

在这个 16×16×3 的小图像上滑动窗口，卷积网络运行了 4 次，于是输出了了 4 个标签

 （2）、假设剪切出这块区域（编号 1）， 传递给卷积网络，第一层的激活值就是这块区域（编号

2），最大池化后的下一层的激活值是这块区域（编号 3），这块区域对应着后面几层输出的右上

角方块（编号 4，5，6）。所以该卷积操作的原理不需要把输入图像分割成四个子集，分别执行前

向传播， 而是把它们作为一张图片输入给卷积网络进行计算，其中的公共区域可以共享很多计

算（通过共享计算一次性得出迭代四个窗口的结果），就像这里看到的这个 4 个 14×14 的方块一样

 （3）、滑动窗口的实现过程，在图片上剪切出一块区域，假设它的大小是 14×14，把它输入到卷

积网络。继续输入下一块区域，大小同样是 14×14，重复操作，直到某个区域识别到汽车

5、Bounding Box 预测（Bounding box predictions）

（1）、解决基于卷积实现的滑动窗口对象检测算法中精准边界框的问题

（2）、采用YOLO 算法解决上述算法存在的问题

6、交并化

 （1）、评价定位算法是否准确

7、非极大值抑制

（1）、算法可能对同一个对象做出多次 检测，所以算法不是对某个对象检测出一次，而是检测出

多次。非极大值抑制这个方法可以确保算法对每个对象只检测一次

 （2）、（右边车辆）中是 0.9，然后就说这是最可靠的检测，所以就用高亮标记，就说这里找到

了一辆车。这么做之后，非极大值抑制就会逐一审视剩下的矩形，所有和这个最大的边框有很高交

并比，高度重叠的其他边界框，那么这些输出就会被抑制。所以这两个矩形分别是 0.6 和 0.7，

这两个矩形和淡蓝色矩形重叠程度很高，所以会被抑制，变暗，表示它们被抑制了

（3）、逐一审视剩下的矩形，找出概率最高，最高的一个，在这种情况下是 0.8， 认为这里检

测出一辆车（左边车辆），然后非极大值抑制算法就会去掉其他 loU 值很高的矩形。所以现在每个

矩形都会被高亮显示或者变暗，如果直接抛弃变暗的矩形，那就剩下高亮显示的那些，这就是最

后得到的两个预测结果

（4）、非最大值意味着只输出概率最大的分类结果，但抑制很接近，但不是最大的其他预测结

果，所以这方法叫做非极大值抑制

8、Anchor Boxes

（1）、一个格子检测多个对象

9、YOLO算法 

 

 

 

（1）、如果使用两个 anchor box，那么对于 9 个格子中任何一个都会有两个预测的边界框其

中一个的概率很低。但 9 个格子中，每个都有两个预测的边界框，比如得到的边界框是是这样

的，注意有一些边界框可以超出所在格子的高度和宽度（编号 1 所示）。接下来抛弃概率很低的

预测，去掉这些神经网络，这里很可能什么都没有，所以需要抛弃这些（编号 2 所示）

 （2）如果有三个对象检测类别，检测行人，汽车和摩托车，对于每个类别单独运行非极大值抑

制，处理预测结果所属类别的边界框，用非极大值抑制来处理行人类别，用非极大值抑制处理车子

类别，然后对摩托车类别进行非极大值抑制，运行三次来得到最终的预测结果。所以算法的输出最

好能够检测出图像里所有的车子，还有所有的行人（编号 3 所示）