目标检测是在图片中对可变数量的目标进行查找和分类
传统目标检测算法
Viola-Jones（人脸检测）
Haar特征抽取
训练人脸分类器（Adaboost算法等）
滑动窗口
HOG+SVM（行人检测，Opencv实现）
提取HOG特征
训练SVM分类器
利用滑动窗口提取目标区域，进行分类判断
NMS
输出检测结果
DPM（物体检测）
HOG的扩展，利用SVM训练得到物体的梯度
计算DPM特征图
计算响应图（root filter 和part filter）
Latent SVM分类器训练
检测识别
NMS（非极大值抑制算法） 为了消除多余的框，找到最佳的物体检测的位置。选取邻域分数最高的窗口，抑制分数低的窗口。
Soft-NMS（非极大值抑制算法）相邻区域内的检测框的分数进行调整而非彻底抑制，提高了高检索率情况下的准确率，在低检索率时仍能对物体检测性能有明显提升。
深度学习目标检测算法
two-stage
CNN卷积特征，端到端的目标检测（RPN网络）准确度高，速度相对one-stage慢，核心组件CNN网络，RPN网络。
CNN网络设计原则：从简单到复杂再到简单的卷积神经网，多尺度特征融合的网络，更轻量级的CNN网络。
one-stage
使用CNN卷积特征，直接回归物体类别概论和位置坐标值（无region proposal），准确度低，速度相对two-stage快。核心组件：CNN网络，回归网络。
SSD算法
直接回归目标类别和位置，不同尺度的特征图上预测，端到端训练，图像分辨率比较低，也能保证检测精度。
R-CNN
* 步骤
* 1、找出可能存在的候选区域， 得出2000个候选区域，统一成大小
* 通过选择性搜索（SS）算法，进行筛选 * 大小统一：通过crop +warp
* 2、进行CNN提取特征，得出2000特征向量
* 使用AlexNet的结构，输入要去227 * 227 * 提取出的特征会会保存在磁盘当中
* [2000, 4096]
* 3、**20个SVM进行分类，得到 2000 * 20的得分矩阵**
* 20:代表你的目标检测当前数据集一共需要检测20种类别* 得出[2000, 20]的得分矩阵，打分
* 4、进行NMS，提出候选框
* 理解NMS的整个过程，* 假设现在滑动窗口有：A、B、C、D、E 5个候选框，
- 第一轮：假设B是得分最高的，与B的IoU＞0.5删除。现在与B计算IoU，DE结果＞0.5，剔除DE，B作为一个预测结果
- 第二轮：AC中，A的得分最高，与A计算IoU，C的结果＞0.5，剔除C，A作为一个结果
* 5、修正bbox，对bbox做回归微调
* 通过线性回归，特征值是候选区域，目标是对应的GT. * 建立回归方程学习参数。
* R-CNN的训练过程
* 预训练+微调
* 当前我们业务的数据集（正负样本标记）
* 预训练：别人已经在大数据集上训练好的CNN网络参数模型，model1
* 微调：利用标记好的样本，输入到model1当中，继续训练，得出model2（CNN网络）
* 训练SVM分类器，每个类别训练一个分类器
* 特征M * 4096 ， 一个SVM，4096 * 20
* 正负样本标记结果（100个猫，900个非猫）
* 总共得到4096 * 20的SVM权重
* 回归训练：
* 筛选候选框，只对那些跟ground truth的IoU超过某个阈值且IOU最大的region proposal回归
* 训练得到回归的参数
R-CNN的总结
* 缺点：
* 训练速度慢
* 占用磁盘空间大
* 训练阶段多
* 图片变形
YOLO
-
改进速度：YOLO
-
448 * 448
- 一个网络解决
- 输出 7 * 7 * 30
- 7 * 7=49个 像素值，理解成49个单元格，49 * 2 = 98 个bbox框
- 30 = 两个bbox( 4 + 1 + 4 + 1) + 20（单元格的代表概率）
- 筛选一个bbox作为训练：
- 通过confidence进行筛选
- confidence由网络输出， （进行标记）
- 每一个单元格：输出一个confidence高的bbox位置，一个概率大的类别
- 训练过程：所以如何判断一个grid cell中是否包含object呢？如果一个object的ground truth的中心点坐标在一个grid cell中，那么这个grid cell就是包含这个object，也就是说这个object的预测就由该grid cell负责。
目标检测数据集
pascal voc 数据集介绍
- 文件内容
- Annotations: 图像中的目标标注信息xml格式
- JPEGImages: *所有图片（VOC2007中总共有9963张，训练有5011张，测试有4952张）
以下是一个标准的物体检测标记结果格式，这就是用于训练的物体标记结果。其中有几个重点内容是后续在处理图像标记结果需要关注的。
- size:
- 图片尺寸大小，宽、高、通道数
- object:
- name:被标记物体的名称
- bndbox:标记物体的框大小
Original: https://blog.csdn.net/m0_64735594/article/details/123399886
Author: 艾卡西亚暴雨o
Title: 王越的目标检测学习笔记
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/682718/
转载文章受原作者版权保护。转载请注明原作者出处！