作者：徐和鼎，浙江大學，Datawhale優秀學習者

本文講解了目標檢測的基本概念，分析了實現目標檢測的常用思路。下一篇將介紹目標檢測經典數據集—VOC數據集的基本信息，和對VOC數據集進行處理的方法。

一、目標檢測基本概念

1. 什么是目標檢測

目標檢測是計算機視覺中的一個重要任務，近年來傳統目標檢測方法已經難以滿足人們對目標檢測效果的要求，隨著深度學習在計算機視覺任務上取得的巨大進展，目前基于深度學習的目標檢測算法已經成為主流。

相比較于基于深度學習的圖像分類任務，目標檢測任務更具難度，具體區別如下圖所示。

圖像分類：只需要判斷輸入的圖像中是否包含感興趣物體。

目標檢測：需要在識別出圖片中目標類別的基礎上，還要精確定位到目標的具體位置，并用外接矩形框標出。

分類和目標檢測任務示意圖

2. 目標檢測常用思路

自2012年Alex Krizhevsky憑借Alex在ImageNet圖像分類挑戰賽中拿下冠軍之后，深度學習在圖像識別尤其是圖像分類領域開始大放異彩，大眾的視野也重新回到深度神經網絡中。緊接著，不斷有更深更復雜的網絡出現，一再刷新ImageNet圖像分類比賽的記錄。

大家發現，通過合理的構造，神經網絡可以用來預測各種各樣的實際問題。于是人們開始了基于CNN的目標檢測研究, 但是隨著進一步的探索大家發現，似乎CNN并不善于直接預測坐標信息。并且一幅圖像中可能出現的物體個數也是不定的，模型如何構建也比較棘手。

因此，人們就想，如果知道了圖中某個位置存在物體，再將對應的局部區域送入到分類網絡中去進行判別，那我不就可以知道圖像中每個物體的位置和類別了嗎？

但是，怎么樣才能知道每個物體的位置呢？顯然我們是沒辦法知道的，但是我們可以去猜啊！所謂猜，其實就是通過滑窗的方式，羅列圖中各種可能的區域，一個個去試，分別送入到分類網絡進行分類得到其類別，同時我們會對當前的邊界框進行微調，這樣對于圖像中每個區域都能得到（class,x1,y1,x2,y2）五個屬性，匯總后最終就得到了圖中物體的類別和坐標信息。

總結一下我們的這種方案思路：先確立眾多候選框，再對候選框進行分類和微調。

觀察下圖，更形象的理解下這種思想：

從分類角度去看目標檢測

3. 目標框定義方式

任何圖像任務的訓練數據都要包括兩項，圖片和真實標簽信息，通常叫做GT。

圖像分類中，標簽信息是類別。目標檢測的標簽信息除了類別label以外，需要同時包含目標的位置信息，也就是目標的外接矩形框bounding box。

用來表達bbox的格式通常有兩種，(x1, y1, x2, y2) 和 (c_x, c_y, w, h) ，如圖所示：

目標框定義方式

之所以使用兩種不同的目標框信息表達格式，是因為兩種格式會分別在后續不同場景下更加便于計算。

兩種格式互相轉換的實現在utils.py中，代碼也非常簡單：

def xy_to_cxcy(xy):"""Convert bounding boxes from boundary coordinates (x_min, y_min, x_max, y_max) to center-size coordinates (c_x, c_y, w, h).:param xy: bounding boxes in boundary coordinates, a tensor of size (n_boxes, 4):return: bounding boxes in center-size coordinates, a tensor of size (n_boxes, 4)"""return torch.cat([(xy[:, 2:] + xy[:, :2]) / 2, # c_x, c_yxy[:, 2:] - xy[:, :2]], 1) # w, hdef cxcy_to_xy(cxcy):"""Convert bounding boxes from center-size coordinates (c_x, c_y, w, h) to boundary coordinates (x_min, y_min, x_max, y_max).:param cxcy: bounding boxes in center-size coordinates, a tensor of size (n_boxes, 4):return: bounding boxes in boundary coordinates, a tensor of size (n_boxes, 4)"""return torch.cat([cxcy[:, :2] - (cxcy[:, 2:] / 2), # x_min, y_mincxcy[:, :2] + (cxcy[:, 2:] / 2)], 1) # x_max, y_max

用torch.cat()將兩個形狀為(n,2)的tensor在第一維度拼接成(n,4)。

4. 交并比（IoU）

在目標檢測任務中，關于IOU的計算貫穿整個模型的訓練測試和評價過程，是非常非常重要的一個概念，其目的是用來衡量兩個目標框的重疊程度。

IoU的全稱是交并比（Interp over Union），表示兩個目標框的交集占其并集的比例。下圖為IOU計算示意圖:

IOU計算示意圖

圖中可以看到，分子中黃色區域為紅bbox和綠bbox的交集，分母中黃+紅+綠區域為紅bbox和綠bbox的并集，兩者之比即為iou。

那么具體怎么去計算呢？這里給出計算流程的簡述:

• 首先獲取兩個框的坐標，紅框坐標: 左上(red_x1, red_y1), 右下(red_x2, red_y2)，綠框坐標: 左上(green_x1, green_y1)，右下(green_x2, green_y2)

• 計算兩個框左上點的坐標最大值:(max(red_x1, green_x1), max(red_y1, green_y1)), 和右下點坐標最小值:(min(red_x2, green_x2), min(red_y2, green_y2))

• 利用2算出的信息計算黃框面積：yellow_area

• 計算紅綠框的面積：red_area 和 green_area

• iou = yellow_area / (red_area + green_area - yellow_area)

如果文字表述的不夠清晰，就再看下代碼：

def find_interp(set_1, set_2):""" Find the interp of every box combination between two sets of boxes that are in boundary coordinates.:param set_1: set 1, a tensor of dimensions (n1, 4) :param set_2: set 2, a tensor of dimensions (n2, 4):return: interp of each of the boxes in set 1 with respect to each of the boxes in set 2, a tensor of dimensions (n1, n2)"""# PyTorch auto-broadcasts singleton dimensionslower_bounds = torch.max(set_1[:, :2].unsqueeze(1), set_2[:, :2].unsqueeze(0)) # (n1, n2, 2)upper_bounds = torch.min(set_1[:, 2:].unsqueeze(1), set_2[:, 2:].unsqueeze(0)) # (n1, n2, 2)interp_dims = torch.clamp(upper_bounds - lower_bounds, min=0) # (n1, n2, 2)return interp_dims[:, :, 0] * interp_dims[:, :, 1] # (n1, n2)def find_jaccard_overlap(set_1, set_2):""" Find the Jaccard Overlap (IoU) of every box combination between two sets of boxes that are in boundary coordinates.:param set_1: set 1, a tensor of dimensions (n1, 4):param set_2: set 2, a tensor of dimensions (n2, 4):return: Jaccard Overlap of each of the boxes in set 1 with respect to each of the boxes in set 2, a tensor of dimensions (n1, n2)"""# Find interpsinterp = find_interp(set_1, set_2) # (n1, n2)# Find areas of each box in both setsareas_set_1 = (set_1[:, 2] - set_1[:, 0]) * (set_1[:, 3] - set_1[:, 1]) # (n1)areas_set_2 = (set_2[:, 2] - set_2[:, 0]) * (set_2[:, 3] - set_2[:, 1]) # (n2)# Find the union# PyTorch auto-broadcasts singleton dimensionsunion = areas_set_1.unsqueeze(1) + areas_set_2.unsqueeze(0) - interp # (n1, n2)return interp / union # (n1, n2)

以上代碼位于utils.py腳本的find_interp和find_jaccard_overlap。

• 函數 find_interpfind_interp(set_1, set_2) 是求形狀為 (n1,4) 和 (n2,4) 的boxes的交集的面積。set_1[:, :2]的形狀為(n1,2)，后面加上.unsqueeze(1)，形狀變為(n1,1,2)。同理set_2[:, :2].unsqueeze(0) ,形狀為(1,n2,2)。

  (n1,1,2)和(1,n2,2)，作了torch.max,有廣播存在，(n1,1,2)變成(n1,n2,2) ,（1,n2,2）也變成(n1,n2,2)。因此得到了形狀為(n1,n2,2)的框的左上角坐標 那個2 就是儲存了x1,y1。

  torch.clamp()是將函數限制在最大值和最小值范圍內，如果超過就變成那個最大值或者最小值。這里min=0，意思是如果面積小于0,那么面積取0（排除異常）。

• 函數find_jaccard_overlap計算iou，交集/并集，最后union計算, ?升維 (n1)->(n1,1) ? ?、 ?(n2)->(1,n2) ? 、 接下去相加，廣播成(n1,n2),減去一個（n1,n2）的交集面積，得到并集面積。

5. 小結

本小節首先介紹了目標檢測的問題背景，隨后分析了一個實現目標檢測的解決思路，這也是眾多經典檢測網絡所采用的思路(即先確立眾多候選框，再對候選框進行分類和微調)。最后介紹了bbox和IoU這兩個目標檢測相關的基本概念。

下一篇將會從數據入手，介紹下目標檢測領域最常見的一個數據集VOC，以及數據讀取相關的代碼。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯 獲取本站知識星球優惠券，復制鏈接直接打開： https://t.zsxq.com/qFiUFMV 本站qq群704220115。加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【CV】目标检测入门和实现思路！的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。