基于神经卷积网络的目标检测算法总结.pptVIP

基于深度卷积神经网络的 监控视频目标检测算法研究 2018.4.17 CONTENTS 01 目标检测 02 深度学习发展史 03 基于深度卷积神经网络的监控视频目标检测算法 1 目标检测 目标检测 基本概念 基于计算机视觉技术的目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。 应用领域 智能视频监控；基于内容的图像、视频检索；基于计算机视觉的人机交互；自动驾驶等 重点 1.识别目标 2.确定位置 2 深度学习发展史 人工智能 vs 机器学习 vs 深度学习 3 基于深度卷积神经网络的 监控视频目标检测算法 目标检测 参考论文：卷积神经网络在图像分类和目标检测应用综述_周俊宇等 基于区域推荐的深度卷积神经网络的物体检测算法 区域推荐算法 R--CNN SPP--NET Faster--R--CNN Fast--R--CNN R--FCN Region Proposal 4个步骤 1.候选区域生成： 一张图像生成1K~2K个候选区域 （采用Selective Search 方法） 2.特征提取： 对每个候选区域，使用深度卷积网络提取特征 （CNN） 3.类别判断： 特征送入每一类的SVM 分类器，判别是否属于该类 4.位置精修： 使用回归器精细修正候选框位置 R--CNN 改进点 在最后一个卷积层后，设计一个金字塔池化层， 然后，将特征图像固定到要求的尺寸。 SPP--NET 改进点 1.很大程度上实现了end to end（除了region proposals的产生还是用的selective search）。 2.不再是将region proposals依次通过CNN，而是直接输入原图，来提取特征（这样一张图只会CNN一次）。 3.网络同时输出类别判断以及bbox回归建议（即两个同级输出），不再分开训练SVM和回归器。 Fast--R--CNN 改进点 1.卷积生成候选区域“RPN（Region Proposal Network）网络”代替了Selective Search算法 2.完全实现了端到端的训练，实时检测 Faster--R--CNN 改进点 将全连接层看作是整个特征图的卷积，卷积层替代了全连接层 R--FCN 基于回归算法的深度卷积神经网络的物体检测算法 回归算法 YOLO Fast--YOLO SSD End to End 改进点 仅用一个神经网络，相对于基于候选区域的2个卷积网络检测速度大大提高 YOLO 改进点 以VGG-16为基础，在最后一个卷积层后额外加入卷积层，大小逐层递减，在每个卷积层上做滑动窗口，在不同尺度的特征图下找锚定框 SSD 小结 1.基本实现实时检测 1.只用一个神经网络，检测速度大大提高 基于候选区域方法 基于回归方法 2.同时训练2个卷积网络，仍存在训练参数多，训练时间长，网络结构复杂等问题（本质上仍用传统“三步走”思路） 2.小目标识别效果不好 THANK YOU! 知识回顾Knowledge Review