什么是目标检测

• 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。

例子：确定某张给定图像中是否存在给定类别（比如人、车、自行车、狗和猫）的目标实例；如果存在，就返回每个目标实例的空间位置和覆盖范围。作为图像理解和计算机视觉的基石，目标检测是解决分割、场景理解、目标追踪、图像描述、事件检测和活动识别等更复杂更高层次的视觉任务的基础。

目标检测的应用场景

目标检测具有巨大的实用价值和应用前景。

• 应用领域包括人脸检测、行人检测、车辆检测、卫星图像中道路的检测、车载摄像机图像中的障碍物检测、医学影像在的病灶检测等。

• 应用场景包括长/视频领域、医学场景、安防领域、自动驾驶等等众多领域

行人车辆检测

 多人脸的检测：

 

目标检测的实用价值

这里我们举一些使用的场景

• 在视频中去进行检测明星人物，检测出某明星的视频只看他的视频。类似在爱奇艺中的只看他功能快速筛选仅有明星出现的片段。

目标检测算法介绍 

 

算法分类

• 两步走的目标检测：先进行区域推荐，而后进行目标分类

包含一个用于区域提议的预处理步骤，使得整体流程是两级式的。代表：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等

• 端到端的目标检测：直接在网络中提取特征来预测物体分类和位置

即无区域提议的框架，这是一种单独提出的方法，不会将检测提议分开，使得整个流程是单级式的。代表：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等

 

几种类别结构xmind形式如下：

  目标检测的任务

• 分类：
  • N个类别
  • 输入：图片
  • 输出：类别标签
  • 评估指标：Accuracy

• 定位：
  • N个类别
  • 输入：图片
  • 输出：物体的位置坐标
  • 主要评估指标：IOU

 

其中我们得出来的(x,y,w,h)有一个专业的名词，叫做bounding box(bbox).

• 物体位置：
  • x, y, w,h:x,y物体的中心点位置，以及中心点距离物体两边的长宽
  • xmin, ymin, xmax, ymax：物体位置的左上角、右下角坐标

目标定位的简单实现思路

 在分类的时候我们直接输出各个类别的概率，如果再加上定位的话，我们可以考虑在网络的最后输出加上位置信息。下面我们考虑图中只有一个物体的检测时候，我们可以有以下方法去进行训练我们的模型

回归位置

增加一个全连接层，即为FC1、FC2

• FC1：作为类别的输出

• FC2：作为这个物体位置数值的输出

假设有10个类别，输出[p1,p2,p3,...,p10]，然后输出这一个对象的四个位置信息[x,y,w,h]。同理知道要网络输出什么，如果衡量整个网络的损失

• 对于分类的概率，还是使用交叉熵损失
• 位置信息具体的数值，可使用MSE均方误差损失（L2损失）

 两种Bounding box名称

在目标检测当中，对bbox主要由两种类别。

• Ground-truth bounding box：图片当中真实标记的框
• Predicted bounding box：预测的时候标记的框

一般在目标检测当中，我们预测的框有可能很多个，真实框GT也有很多个。

目标检测在很多领域都有应用需求，包括人脸检测，行人检测，车辆检测以及遥感影像中的重要地物检测等。