計算機視覺應用開發(fā)課件：目標檢測

通用目標檢測概述01任務目標檢測的意義02任務目標檢測的常用方法03任務學習目標了解目標檢測的概念和意義了解常用的目標檢測方法1概述1概述

在計算機視覺眾多的技術領域中，目標檢測（ObjectDetection）也是一項非?；A的任務，圖像分割、物體追蹤、關鍵點檢測等通常都要依賴于目標檢測。在目標檢測時，由于每張圖像中物體的數量、大小及姿態(tài)各有不同，也就是非結構化的輸出。在計算機視覺中，圖像分類、目標檢測和圖像分割都屬于基礎、也是目前發(fā)展最為迅速的3個領域，下面具體看一下這幾個任務之間的區(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，相對簡單，發(fā)展也最快。目標檢測：輸入圖像中往往有很多物體，目的是判斷出物體出現的位置與類別，是計算機視覺中非常核心的一個任務。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。圖像分割與目標檢測任務之間有很多聯系，模型也可以相互借鑒。1概述

目標檢測技術，通常是指在一張圖像中檢測出物體出現的位置及對應的類比，要求檢測器輸出5個value：物體類別class、boundingbox左上角x坐標x、boundingbox左上角y坐標y、boundingbox右下角x坐標x、boundingbox右下角y坐標y。如右圖所示，目標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注出來。2目標檢測的意義目標檢測的意義目標檢測是計算機視覺的一個熱門研究方向，廣泛應用于自主導航，智能視頻監(jiān)控，工業(yè)檢測，航空航天等諸多領域。通過計算機視覺降低對人力資源的消耗，具有重要的科研意義。同時，目標檢測也是身份識別領域的基礎，對姿勢估計以及將要學到的人臉識別有著不可分割的聯系。23目標檢測的常用方法目標檢測的常用方法目標檢測大致分為兩個方向：基于傳統(tǒng)的目標檢測算法和基于深度學習的目標檢測算法。1.基于傳統(tǒng)的目標檢測算法在利用深度學習做物體檢測之前，傳統(tǒng)算法對于目標檢測通常分為3個階段：區(qū)域選取、特征提取和體征分類。3目標檢測的常用方法2.基于深度學習的目標檢測算法目標檢測任務可分為兩個關鍵的子任務：目標分類和目標定位。目標分類負責判斷所選區(qū)域是否有感興趣類別的物體出現，輸出一系列帶分數的標簽，表明感興趣的物體在所選區(qū)域出現的可能性。目標定位負責確定所選區(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習的目標檢測算法大概分為兩類：one-stage目標檢測算法，two-stage目標檢測算法。3目標檢測的常用方法one-stage目標檢測算法可以在一個階段內直接產生物體的類別概率和位置坐標值，相比于two-stage目標檢測算法不需要產生候選階段，將目標框的定位問題轉化為回歸（regression）問題，整體流程比較簡單。one-stage在神經網絡的尾部展開，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網絡進行分類和定位回歸。常見的two-stage算法有R-CNN（區(qū)域卷積神經網絡）、SPP-Net