計算機(jī)視覺應(yīng)用開發(fā)課件：目標(biāo)檢測

通用目標(biāo)檢測概述01任務(wù)目標(biāo)檢測的意義02任務(wù)目標(biāo)檢測的常用方法03任務(wù)學(xué)習(xí)目標(biāo)了解目標(biāo)檢測的概念和意義了解常用的目標(biāo)檢測方法1概述1概述

在計算機(jī)視覺眾多的技術(shù)領(lǐng)域中，目標(biāo)檢測（ObjectDetection）也是一項非?；A(chǔ)的任務(wù)，圖像分割、物體追蹤、關(guān)鍵點檢測等通常都要依賴于目標(biāo)檢測。在目標(biāo)檢測時，由于每張圖像中物體的數(shù)量、大小及姿態(tài)各有不同，也就是非結(jié)構(gòu)化的輸出。在計算機(jī)視覺中，圖像分類、目標(biāo)檢測和圖像分割都屬于基礎(chǔ)、也是目前發(fā)展最為迅速的3個領(lǐng)域，下面具體看一下這幾個任務(wù)之間的區(qū)別。圖像分類：輸入圖像往往僅包含一個物體，目的是判斷每張圖像是什么物體，是圖像級別的任務(wù)，相對簡單，發(fā)展也最快。目標(biāo)檢測：輸入圖像中往往有很多物體，目的是判斷出物體出現(xiàn)的位置與類別，是計算機(jī)視覺中非常核心的一個任務(wù)。圖像分割：輸入與物體檢測類似，但是要判斷出每一個像素屬于哪一個類別，屬于像素級的分類。圖像分割與目標(biāo)檢測任務(wù)之間有很多聯(lián)系，模型也可以相互借鑒。1概述

目標(biāo)檢測技術(shù)，通常是指在一張圖像中檢測出物體出現(xiàn)的位置及對應(yīng)的類比，要求檢測器輸出5個value：物體類別class、boundingbox左上角x坐標(biāo)x、boundingbox左上角y坐標(biāo)y、boundingbox右下角x坐標(biāo)x、boundingbox右下角y坐標(biāo)y。如右圖所示，目標(biāo)檢測能夠大致的識別出圖片的物體以及物體所在位置并標(biāo)注出來。2目標(biāo)檢測的意義目標(biāo)檢測的意義目標(biāo)檢測是計算機(jī)視覺的一個熱門研究方向，廣泛應(yīng)用于自主導(dǎo)航，智能視頻監(jiān)控，工業(yè)檢測，航空航天等諸多領(lǐng)域。通過計算機(jī)視覺降低對人力資源的消耗，具有重要的科研意義。同時，目標(biāo)檢測也是身份識別領(lǐng)域的基礎(chǔ)，對姿勢估計以及將要學(xué)到的人臉識別有著不可分割的聯(lián)系。23目標(biāo)檢測的常用方法目標(biāo)檢測的常用方法目標(biāo)檢測大致分為兩個方向：基于傳統(tǒng)的目標(biāo)檢測算法和基于深度學(xué)習(xí)的目標(biāo)檢測算法。1.基于傳統(tǒng)的目標(biāo)檢測算法在利用深度學(xué)習(xí)做物體檢測之前，傳統(tǒng)算法對于目標(biāo)檢測通常分為3個階段：區(qū)域選取、特征提取和體征分類。3目標(biāo)檢測的常用方法2.基于深度學(xué)習(xí)的目標(biāo)檢測算法目標(biāo)檢測任務(wù)可分為兩個關(guān)鍵的子任務(wù)：目標(biāo)分類和目標(biāo)定位。目標(biāo)分類負(fù)責(zé)判斷所選區(qū)域是否有感興趣類別的物體出現(xiàn)，輸出一系列帶分?jǐn)?shù)的標(biāo)簽，表明感興趣的物體在所選區(qū)域出現(xiàn)的可能性。目標(biāo)定位負(fù)責(zé)確定所選區(qū)域感興趣類別物體的位置和范圍，通常存儲在稱為BoundingBox中?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法大概分為兩類：one-stage目標(biāo)檢測算法，two-stage目標(biāo)檢測算法。3目標(biāo)檢測的常用方法one-stage目標(biāo)檢測算法可以在一個階段內(nèi)直接產(chǎn)生物體的類別概率和位置坐標(biāo)值，相比于two-stage目標(biāo)檢測算法不需要產(chǎn)生候選階段，將目標(biāo)框的定位問題轉(zhuǎn)化為回歸（regression）問題，整體流程比較簡單。one-stage在神經(jīng)網(wǎng)絡(luò)的尾部展開，成為classification+regression模式。常見的one-stage算法有YOLO、SSD等等。3two-stage算法在第一步特征提取后會生成一個有可能包含待檢測物體的候選區(qū)域（RegionProposal，RP），第二步通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類和定位回歸。常見的two-stage算法有R-CNN（區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）、SPP-Net