深度学习：目标检测与识别.pptxVIP

机器学习深度学习—目标检测 目录视频关键帧处理物体检测与定位RCNN，Fast-RCNN，Faster-RCNN，MaskRCNNYOLOv1-v5UNet典型应用案例 几个容易混淆的概念图像分类、目标检测、语义分割、实例分割 3D目标检测 目标检测算法（1） 目标检测算法（2）1姿态估计、目标检测、目标追踪、关键点检测人脸特征关键点识别 目标检测算法（3） 目标检测算法（4） 目标检测目标检测是将目标从图像中提取出来。运动目标检测是从不断变化的序列图像中进行目标检测，分为静态背景下的运动检测和动态背景下的运动检测。两种主要的思路：依赖于目标的先验知识，需要提前为运动目标建模，然后在图像序列中实时找到匹配的目标，不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标。在目标检测和追踪需要注意运动目标的表示，例如对其视觉特征进行建模，并采用相似性度量来对帧图像进行匹配，在追踪过程中需要处理大量冗余信息，采用搜索算法缩小比较范围。目前跟踪分类主要基于主动轮廓的跟踪、基于特征、区域、模型的跟踪等。 议程传统的目标检测一般使用滑动窗口的框架，主要包括以下三个步骤：利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域。提取候选区域相关的视觉特征，例如人脸检测常用的Harr特征；行人检测和普通目标检测常用的HOG特征。利用分类器进行识别。目标检测与追踪 议程目标检测性能评价指标交并比：IOU平均精度均值：mAP速度：FPS目标检测的性能评价 物体检测是通过IoU来进行精准度评价的。使用两个区域的交集区域除以两个区域的并集区域。一般IoU的值越大，表示物体预测越准确。交集并集比 ?mAP 感兴趣区域是目标检测的一个概念，表示系统感兴趣的区域，在Fast-RCNN等模型中都有ROI（region of interest）处理的模块，ROI的提取能够在消除一些噪声的同时减少后续图像处理的数据量，是较常用的方法。感兴趣区域 传统目标检测基于候选区域的目标检测回归方法的深度学习目标检测RCNNSPPNETfast-RCNNfaster-RCNNYOLO目标检测与识别R-CNN - SPP Net - Fast R-CNN - Faster R-CNN - Mask R-CNN 区域选择特征提取分类器分类滑动窗口策略手工设计特征SVM、Adaboost等1 0 -10 -11 0 -11 1 10 0 0-1 -1 -1传统目标检测region proposal（候选区域）利用图像中的纹理、边缘、颜色等信息，选取较少窗口保持较高的召回率。降低时间复杂度，并且比滑动窗口的质量更高（固定长宽比）。滑动窗口区域选择策略没有针对性，时间复杂度高，窗口冗余太多 手工设计的特征对与多样性的变化没有很好的鲁棒性，比如形态变化和光照影响等使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征：R-CNN框架 滑动窗口 基本概念Region proposalsCNN：卷积神经网络R-CNN：Region with CNN features将检测问题转换成为region proposals的分类问题Selective Search：选择性搜索Warp：图像Region变换Supervised pre-training：有监督预训练也称迁移学习IOU：交并比IOU=(A∩B)/(A∪B)NMS：非极大值抑制DPM：使用判别训练的部件模型进行目标检测 R-CNN：Region with CNN features selective searchWarpPASCAL VOC上的检测率从35.1%提升到53.7%用SGD训练CNNImageNet 1000 ?(N+1) classification layer(N: 目标类数目)CNN架构不变class-specific linear SVMs 给出每类概率IOU：交并比NMS:非极大值抑制基于候选区域的目标检测(R-CNN)先生成候选区域再检测，降低信息冗余程度，从而提高检测速度。 区域提名：通过Selective Search从原始图片提取2000个左右区域候选框；区域归一化：把所有侯选框缩放成固定大小（227×227）Warp；通过CNN网络提取特征(在特征层的基础上添加两个全连接层)；使用SVM结合NMS（非极大值抑制）获得区域边框（BBox）用DPM中类似的线性回归方法精修（Refine）边框位置。227x227 Selective Search for Object RecognitionSelective Search需要考虑的几个问题：适应不同尺度（Capture All