目標(biāo)檢測算法

• 一、目標(biāo)檢測算法
• 二、目標(biāo)檢測算法存在的問題
• 三、目標(biāo)檢測算法的基本流程
• 四、傳統(tǒng)的目標(biāo)檢測算法
• • 1.Viola-Jones（VJ人臉檢測算法）
  • 2.HOG + SVM（行人檢測，使用Opencv實現(xiàn)）
  • 3.DPM（物體檢測）
  • 補(bǔ)充——NMS
• 五、基于深度學(xué)習(xí)的目標(biāo)檢測算法
• • 1.Two-Stage算法（段到段）
  • 2.One-Stage算法（端到端）
  • 3.對比

一、目標(biāo)檢測算法

主流的目標(biāo)檢測算法大致分為one-stage與two-stage。
two-stage算法代表有R-CNN系列，one-stage算法代表有Yolo系列。自己理解，two-stage算法將步驟一與步驟二分開執(zhí)行，輸入圖像先經(jīng)過候選框生成網(wǎng)絡(luò)（例如faster rcnn中的RPN網(wǎng)絡(luò)），再經(jīng)過分類網(wǎng)絡(luò)，對候選框的內(nèi)容進(jìn)行分類；one-stage算法將步驟一與步驟二同時執(zhí)行，輸入圖像只經(jīng)過一個網(wǎng)絡(luò)，生成的結(jié)果中同時包含位置與類別信息。two-stage與one-stage相比，精度高，但是計算量更大，所以運(yùn)算較慢。
簡單時間線：

目標(biāo)檢測算法分類：

二、目標(biāo)檢測算法存在的問題

1.目標(biāo)種類與數(shù)量問題：同一幅圖下要識別的物體類別和數(shù)量可能同時存在多個，在要識別的目標(biāo)密度非常大時就可能出現(xiàn)像相互遮擋的問題。
2.目標(biāo)尺度問題：同一幅圖下同一類別的物體可能因為透視原理的印象，變得有大有小。尤其是有時候目標(biāo)的大小可能會變得非常小。
3.外在環(huán)境干擾問題：由于光照等問題引起的圖片質(zhì)量問題。
4.目標(biāo)檢測和目標(biāo)分割：目標(biāo)識別、目標(biāo)檢測、語義劃分、實例檢測

三、目標(biāo)檢測算法的基本流程

候選框的選擇是依靠滑動窗口來選擇的。

四、傳統(tǒng)的目標(biāo)檢測算法

1.Viola-Jones（VJ人臉檢測算法）

• Haar特征抽取（Opencv中有這個特征提取包）
  
• 訓(xùn)練人臉分類器（Adaboost算法）
  
• 滑動窗口選取候選框

2.HOG + SVM（行人檢測，使用Opencv實現(xiàn)）

• 提取HOG特征
  
• 訓(xùn)練SVM分類器
  這里的SVM是二分類分類法。（我們會使用現(xiàn)成的包就好，不一定需要自己去實現(xiàn)，最好自己手動寫一下。）
  SVM又叫支持向量機(jī)，所謂支持向量正是圖中所畫的虛線上的點，他們對最后分類的結(jié)果影響較大。
  
• 利用滑動窗口提取目標(biāo)區(qū)域，進(jìn)行分類判斷
• NMS
• 輸出檢測結(jié)果

3.DPM（物體檢測）

• DPM特征提取
  
  
• HOG的擴(kuò)展
• 使用SVM訓(xùn)練得到物體的梯度

補(bǔ)充——NMS

五、基于深度學(xué)習(xí)的目標(biāo)檢測算法

1.Two-Stage算法（段到段）

• 使用各種CNN卷積神經(jīng)網(wǎng)絡(luò)作為backbone主干網(wǎng)絡(luò)，進(jìn)行特征提取
• 然后進(jìn)行一步粗分類（區(qū)分前景和后景）和粗定位（anchor），也就是說在上圖的“產(chǎn)生候選區(qū)域CNN特征”之前還應(yīng)該有一個框“使用RPN網(wǎng)絡(luò)產(chǎn)生候選區(qū)CNN特征”
• 段到段的目標(biāo)檢測
• 準(zhǔn)確度高但速度較one-stage慢
  

2.One-Stage算法（端到端）

• 使用CNN卷積特征
• 直接回歸物體的類別概率和位置坐標(biāo)值
• 準(zhǔn)確率低但速度快
  

3.對比

• 雙階段精度高但速度慢，單精度速度快但精度稍遜。
• 雙階段目標(biāo)檢測器采用了兩段結(jié)構(gòu)采樣來處理類別不均衡的問題（意思就是在同一張圖片中需要進(jìn)行檢測的目標(biāo)太少，不需要檢測的背景信息太多），一階段中：rpn使正負(fù)樣本更加均衡（先粗分類，區(qū)分前后景），再粗回歸，使用Anchor來擬合bbox，然后再二階段精調(diào)。
• One stage detector 的一個通病就是既要做定位又要做classification。最后幾層1x1 conv layer的loss混在一起，并沒有什么專門做detection或者專門做bbox regression的參數(shù)，那每個參數(shù)的學(xué)習(xí)難度就大一點。
• Two stage detector 的第一個stage相當(dāng)于先拿一個one stage detector來做一次前景后景的classification + detection。這個任務(wù)比 one stage detector 的直接上手N class classification + detection要簡單很多。有了前景后景，就可以選擇性的挑選樣本使得正負(fù)樣本更加均衡，然后拿著一些參數(shù)重點訓(xùn)練classification。訓(xùn)練classification的難度也比直接做混合的classification和regression 簡單很多。
• 雙階段其實就是把一個復(fù)雜的大問題拆分成更為簡單的小問題。各個參數(shù)有專攻，Two Stage Detector 在這個方面是有優(yōu)勢的。但one stage detector 里如果用了 focal loss 和 separate detection/classification head 那效果跟 two stage detector 應(yīng)該是一樣的。
  

總結(jié)

以上是生活随笔為你收集整理的目标检测算法发展综述的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。