目标检测综述.docx

，、传统目标检测方法 区1妣擡 1 特征提取 分类器1 分类 如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选 择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。 F面我们对这三个阶段分别进行介绍。 (1)区域选择这一步是为了对目标的位置进行定位。 由于目标可能出现在 图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的 策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的 Bill 策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度 II II 太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。(实际 上由于受到时间复杂度的问题,滑动窗口的长宽比一般都是固定的设 置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不 能得到很好的区域) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使 得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准 确性。(这个阶段常用的特征有SIFT HOG等) 分类器主要有SVM, Adaboost等。 总结：传统目标检测存在的两4^主要问题： 一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手IIII 一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手 II II 工设计的特征对于多样性的变化并没有很好的鲁棒性。 1、基于Region Proposal的深度学习目标检测算法 对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？ 对于滑动窗口存在的问题9 region proposal提供了很好的解决方案。regionproposal候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至 几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且 。比较常获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比） 用的 region proposal 算法有 selective Search 和 edge Boxes 如果想具体了解 region proposal aj*以看一下 PAMI2015 的 “What makes for effective detection proposals ? ” 。比较常 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提 取+分类）。对于图像分类,不得不提的是2012年ImageNet大规模视觉识别挑战 赛（ILSVRC上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用 卷积 神经网络将ILSVRC^类任务的Top-5 error降低到了 15.3%,而使用传统方法 的第二 名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地 位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了 4%以内 多，这已经超越人在这特定任务上的能力。所以目标检测得到候选区域后使用 CNN对其进行图像分类是一个不错的选择。 CNN对其进行图像分类是一个不错的选择。 2014 年，RBG ( Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口 +手工 设计特征，设计了 R-CNN框架，使得目标检测取得巨大突破，并开启了基于深度 学习目标检测的热潮。 1. R-CNN (CVPR2014, TPAMI2015) (Region-based Convolution Networks for Accurate Object detecti on and Segme ntati on) R-CNN: Region-based Convolutional Network ^jtVTOCiiitor? ^jtVTOCiiitor? L Input 2. Extract region 3* Compute 4. Classifyiniaiic proposals 卜 2k} CNN features regions 上面的框架图清晰的给出了 R-CNN的目标检测流程： (1)输入测试图像 (2)利用selective search算法在图像中提取2000个左右的region proposal。 (3)将每个region proposal缩放(warp)成227x227的大小并输入到CNN，将 CNN的fc7层的输出作为特征。 (4)将每个region proposal提取到的CN