深度学习与计算机视觉实战-目标检测.pptxVIP

目标检测 1 目标检测经典算法 目录 目标检测简介 2 训练目标检测网络 3 目标检测是计算机视觉领域中一个重要的课题，目的是在图像中识别出目标的类别，并给出目标在图像中的位置信息和检测信息，从而为后续的其他任务提供必要的数据。 近年来，目标检测在行人车辆检测、人脸检测与识别、异常行为检测、计算机辅助诊断等领域都有着广泛的应用，如图所示。 目标检测简介 目标检测是图像处理、人工智能、机器学习、模式识别、图模型、最优化等多个前沿学科的交叉领域。 目标检测的主要任务是通过计算，自动完成对一张图片中感兴趣目标的位置和类别的预测。 然而，由于实际场景中目标物体的各种形变、姿态变化以及背景光照、角度、天气等复杂的环境因素，目标检测仍是一个具有挑战的任务。 传统的目标检测算法流程如图所示。 目标检测简介 主要流程是首先通过滑动窗口进行窗口截取，以确保目标至少被一个窗口包含，由于目标的尺度和长宽比多种多样，截取窗口时也使用不同大小、长宽比的预选窗口进行截取。 然后对截取的图像进行预处理操作，包括尺寸统一、去均值、消除无关特征、减少噪声等操作。再对经过预处理后的一系列图像使用人工设计的特征算子进行图像特征提取。 图像特征提取是目标检测问题中的关键，特征的质量在很大程度上决定最终目标检测算法的性能。不同的任务常常对特征有着不同的要求，也因此没有一种万能、通用的特征。 常用的传统的图像特征提取方法有基于形状、颜色、纹理、边缘、角点等视觉特征，以及表现更加优异的人工设计的特征算子，如HOG特征、SIFT特征、LBP特征、Haar小波特征算子等。 最后使用机器学习中常用的分类器，如SVM、自适应提升（AdaBoost）等进行特征分类和回归，并最终生成检测结果。 目标检测简介 2013年，罗斯·吉尔希克（Ross Girshick）等人提出基于深度学习的目标检测算法：区域卷积神经网络（Region Convolutional Neural Network，R-CNN）算法。 R-CNN算法成功地将卷积神经网络应用在目标检测任务中，虽然在此之前也有研究者尝试将深度学习应用在目标检测中，但是R-CNN使得目标检测算法投入实际使用成为可能。 R-CNN在VOC 2012测试集上的平均精度达到了53.3%，超越了传统图像目标检测方法，而且R-CNN启发了之后很多基于深度学习的目标检测算法。 随后又有Fast R-CNN、Faster R-CNN、SSD（Single Shot MultiBox Detector）、YOLO（You Only Look Once）等算法相继被被提出，不断提高着目标检测算法的性能。目标检测算法按照实现思路的不同，可分为以下两大类。 目标检测简介 Two-Stage（二阶段）目标检测算法，首先通过不同尺度的滑动窗口遍历图像，获取大量目标的候选框，然后对候选框进行分类，获取精确的目标边界框和目标类别。 Two-Stage目标检测算法分获取候选框和候选框分类两步完成目标检测，流程如图所示。 目标检测简介 One-Stage（一阶段）目标检测算法，直接训练网络实现边界框的回归和分类。 One-Stage目标检测算法能够一步完成目标检测，流程如图所示。 目标检测简介 在常见的基于深度学习的目标检测算法中，R-CNN系列（Fast R-CNN、Faster R-CNN）都属于Two-Stage目标检测算法。SSD、YOLO属于One-Stage目标检测算法。 由于Two-Stage目标检测算法多了候选框生成的步骤，因此Two-Stage目标检测算法相对于One-Stage目标检测算法精度普遍更高，但是算法的运算量也更大，无法适用于实时性要求较高的任务，大多用于高精度的离线目标检测任务。 而One-Stage目标检测算法由于运算量较小，往往通过嵌入式部署在移动智能设备上，执行实时性的目标检测任务。 目标检测简介 1 目标检测经典算法 目录 目标检测简介 2 训练目标检测网络 3 在目标检测算法中，较为经典的One-Stage目标检测算法有SSD、YOLOv3；较为经典的Two-Stage目标检测的算法有R-CNN系列，该系列中更具代表性的是Faster R-CNN。 因此，下面将通过介绍3种经典目标检测算法的网络结构和工作原理让读者对目标检测算法的基本实现思路和方法建立更加清楚的认识。 目标检测经典算法 Faster R-CNN由R-CNN和Fast R-CNN改进而来。 R-CNN将输入图像经过处理后获取大量目标候选区域，再通过卷积网络获取候选区域的特征，根据特征进行SVM分类获取目标的类别，最后经过非极大值抑制剔除重叠候选框，得到精确的边界框。 Fast R-CNN在R-CNN的基础上做出改进。 首先同时将候选框和整幅图像输入卷积网络中，卷