点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达

本文转自AI公园

作者：Nathan Zhao

编译：ronghuaiyang

导读

在本文中，我们将讨论目标检测模型和Objectness的基础知识。

什么是物体检测模型？

物体检测模型本质上，正如其名称所示，检测物体。这意味着给定一个图像，它可以告诉你物体在哪里，以及这个物体是什么。例如，在上面的图像中，我们有许多物体，并且使用物体检测模型，我们已经检测出不同的物体在图像中的位置。

这类模型有很多应用。举几个例子，物体检测在以下方面很有用：

• 自动驾驶汽车，可以检测到乘客、其他车辆、红绿灯和停车标志。

• 安保，模型可以探测到公共区域的枪支或炸弹，并向附近的警察报警。

总的来说，这类模型非常有用，在过去几年里，机器学习社区已经对它们进行了大量的研究。

物体检测中区域建议的介绍

首先，让我们了解一下物体检测模型是如何工作的。首先，我们必须给出一个物体的建议位置。我们把这个建议的位置称为我们感兴趣的区域，通常显示在一个边界框(也称为图像窗口)中。根据物体检测模型的类型，我们可以通过许多不同的方式来实现这一点。

• 朴素方法：我们将图像分割成多个部分，并对每个部分进行分类。这种方法效率低下是因为必须对每个生成的窗口应用分类网络(CNN)，导致计算时间长。

• 滑动窗口方法：我们预先确定好窗口比例(或“锚”)，然后滑过图像。对于每个窗口，我们处理它并继续滑动。与朴素方法类似，这种方法生成的窗口较多，处理时间也比较长。

• 选择性搜索：使用颜色相似度，纹理相似度，和一些其他的图像细节，我们可以用算法将图像分割成区域。虽然选择性搜索算法本身是耗时的，但这使得分类网络的应用需求较少。

• 区域建议网络：我们创建一个单独的网络来确定图像中感兴趣的区域。这使得我们的模型工作得更快，但也使得我们最终模型的准确性依赖于多个网络。

上面列出的这些不同选项之间有一些区别，但一般来说，当我们加快网络的处理时间时，我们往往会牺牲模型的准确性。

区域建议机制的主要问题是，如果建议的区域不包含物体，那么你的分类网络也会去分类这个区域，并给出一个错误的标记。

那么，什么是Objectness?

Objectness本质上是物体存在于感兴趣区域内的概率的度量。如果我们Objectness很高，这意味着图像窗口可能包含一个物体。这允许我们快速地删除不包含任何物体的图像窗口。

如果一幅图像具有较高的Objectness，我们期望它具有：

• 在整个图像中具有唯一性

• 物体周围有严格的边界

• 与周围环境的外观不同

例如，在上面的图像中，我们期望红色框具有较低的Objectness，蓝色框具有中等的Objectness，绿色框具有较高的Objectness。这是因为绿色的框“紧密”地围绕着我们的物体，而蓝色的框则很松散，而红色的框根本不包含任何物体。

我们如何度量Objectness?

有大量的参数影响图像窗口的objectness。

• 多尺度显著性：这本质上是对图像窗口的外观独特性的度量。与整个图像相比，框中唯一性像素的密度越高，该值就越高。

• 颜色对比度：框内像素与建议图像窗口周围区域的颜色对比度越大，该值越大。

• 边缘密度：我们定义边缘为物体的边界，这个值是图像窗口边界附近的边缘的度量值。一个有趣的算法可以找到这些边缘：https://cv-tricks.com/opencv-dnn/edge-detection-hed/。

• 超像素跨越：我们定义超像素是几乎相同颜色的像素团。如果该值很高，则框内的所有超像素只包含在其边界内。

超像素区域以不同颜色显示。请注意，框内的超像素大部分不会泄漏到图像窗口之外。因此，这个“超素跨界”值将会很高。

以上参数值越高，objectness越高。试着将上述参数与我们前面列出的具有高objectness的图像的期望联系起来。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目31讲

在「小白学视觉」公众号后台回复：Python视觉实战项目31讲，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

下载4：leetcode算法开源书

在「小白学视觉」公众号后台回复：leetcode，即可下载。每题都 runtime beats 100% 的开源好书，你值得拥有！

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~