一、目标检测概述
- 1.1 项目演示介绍
- 1.2 图片识别背景
- 1.3 目标检测定义
二、目标检测算法原理
- 2.1 任务描述
- 2.2 目标检测算法必备基础
- 2.3目标检测算法模型输出
- 目标检测 -overfeat模型
- R-CNN模型
- - 候选区域
  - 特征提取
  - 非极大抑制（NMS）
  - 修正候选区域
  - R-CNN的训练过程
  - R-CNN的测试过程

一、目标检测概述

1.1 项目演示介绍

项目架构

数据采集层：数据标注、数据的存储格式
深度模型层：数据预处理，GPU训练得到模型
- tensorflow serving 进行模型部署
- web后台
用户层：网页、小程序、检测识别结果

项目安排三阶段

1.2 图片识别背景

图片识别常见示例

图像识别的三大任务：

目标识别：输出类别
目标检测：输出类别已经在物体在图片当中的位置
目标分割：把物体形状描述出来，背景进行剔除

图像识别的发展

通用场景：谷歌、阿里、百度提供的API，普及范围比较广，一般性的图像识别
垂直场景：
– 医疗领域：医疗影像的检测
– 林木产业：木板树种的检测
– 其他垂直领域：轮胎类型等。。。。

1.3 目标检测定义

识别图片中有哪些物体以及物体的位置（坐标位置）

位置信息的表示

极坐标表示示例

中心点坐标表示示例

格式： x_center | y_center | box_weight | box_height

目标检测的发展历史

二、目标检测算法原理

2.1 任务描述

目标
–了解目标洁厕算法分类
–知道目标检测常见指标IoU
–了解目标定位的简单实现方式

2.2 目标检测算法必备基础

两步走的目标检测：先进性区域推荐，而后进行目标分类
– 代表：R-CNN SPP-net Fast R-CNN Faster R-CNN
端到端的目标检测：采用一个网络一步到位
– 代表：YOLO SSD

pass：
卷积层是深度学习中的一种基础层，最主要的功能是：
特征提取：卷积层可以通过卷积核在输入数据上进行卷积操作，从而提取出数据中的特征。这些特征可以表示数据的局部信息，如图像中的边缘、角点等。
池化层：
平均池化：计算图像区域的平均值作为该区域池化后的值。
最大池化：选图像区域的最大值作为该区域池化后的值。
主要功能：降维，特征压缩，减少网络模型计算量，可以扩大感受野

常见的模型

图片分类
评估指标 acc

目标检测
评估指标 IOU

目标的位置框：Bounding box
在目标检测中，有两种框：

Ground-trurh bounding box：图片中真是标记的框
Predicted bounding box：预测的时候标记的框

IoU(交并比)的解释：

两个区域的重叠程度overlap
简述：交集/并集

2.3目标检测算法模型输出

在原有基础上增加一个全连接层

FC1: 作为类别的输出
FC2：作为这个物体位置数值的输出

对于分类概率的评价指标，使用的是交叉熵损失 softmax
对于位置信息的回归评价指标，使用的是MSE均方误差损失 L2损失

存在问题

图片中假设存在多个物体的时候，你的网络输出多少不确定，全连接层回归
输出几个坐标不确定。

目标检测 -overfeat模型

目标检测的暴力方法，是从左到右，从上到下滑动窗口，利用分类识别目标。
为了在不同观察距离处检测不同的目标类型，我们使用不同大小的宽高比的窗口。如下图所示：

模型构造大致如下：滑动窗口大小为k

取出子图，并标记是否是数据

overfeat模型总结

R-CNN模型

完整的R-CNN的结构

步骤

pass：
CNN提取2000×4096维的矩阵
20个SVM分类器，获得2000×20维的矩阵
NMS对每一列（列对应的类）进行非极大抑制，剔除重叠的建议框

候选区域

选择性搜索 SelectiveSearch – SS

warp比crop缩放后失真程度更小

步骤一中：
通过选择性搜索（SS）算法，进行预选框的筛选
大小统一的框使用的是 warp图片缩放的方式

特征提取

步骤二中：
CNN提取特征，用的是AlexNet的结构，输入要求 277×277
提取的特征会保存在磁盘中
数据维度 (2000，4096) 如下图所示

20个类别是指，你训练的数据集一共就有20个类别，根据你的数据集的类别数量进行调整

列是候选区域，行是类别特征

非极大抑制（NMS）

非极大抑制的过程

修正候选区域

预测值是A，目标是G，进行修正后得到 G’
如下图所示：

R-CNN的训练过程

正负样本准备+预训练+微调网络+训练SVM+训练边框回归器

正负样本准备

预训练

CNN模型层数多，模型容量大，通常会采用2012年的AlexNet来学习特征，包含5个卷积层和2个全连接，比如著名的ImageNet比赛的数据集，来训练AlexNet，保存其中的模型参数

微调
类似于迁移学习

总结：

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

R-CNN的测试过程

输入一张图片，利用selective search得到2000个region proposal
对说有的region proposal变换得到固定尺寸，并作为预训练好的CNN网络输入，每个候选框得到4096的特征
对已经训练好的每个类别的svm分类器对提取到的特征打分，所以SVM的weight matrix是4096 N，N是类别数
采用NMS（非极大抑制）去除候选框
得到region proposal进行回归预测，微调

R-CNN在VOC2007数据集上平均精确度达到66%

缺点：

SSD目标检测算法原理（上）相关推荐

基于神经网络的目标检测论文之目标检测方法：改进的SSD目标检测算法
4.2 改进的SSD 上一章我们了解到,物体识别检测算法是在传统CNN算法基础上加上目标区域建议策略和边框回归算法得到的.前辈们的工作主要体现在目标区域建议的改进策略上,从最开始的穷举建议框,到划分图 ...
三维目标检测算法原理
三维目标检测算法原理输入输出接口 Input: (1)图像视频分辨率(整型int) (2)图像视频格式(RGB,YUV,MP4等) (3)左右两边的车道线位置信息摄像头标定参数(中心位置(x,y) ...
基于Grad-CAM与KL损失的SSD目标检测算法
基于Grad-CAM与KL损失的SSD目标检测算法人工智能技术与咨询来源:<电子学报>,作者侯庆山等摘要: 鉴于Single Shot Multibox Detector (SSD ...
层与特征融合_【计算机系统应用】（第122期）感受野特征增强的 SSD 目标检测算法...
点击上方"蓝字",关注我们吧! 目标检测是计算机视觉领域的一项重要任务, 是生活中如实例分割[1] , 面部分析[2] , 汽车自动驾驶[3].视频分析[4] 等各种视觉应用的 ...
[RCNN]-[YOLO]-[SSD]目标检测算法
原文链接:http ://chuansong.me/n/353443351445 转载自深度学习大讲堂公众号开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么 ...
一文弄懂SSD目标检测算法
SSD是YOLO之后又一个引人注目的目标检测结构,它沿用了YOLO中直接回归 bbox和分类概率的方法,同时又参考了Faster R-CNN,大量使用anchor来提升识别准确度.通过把这两种结构相结 ...
笔记《基于无人驾驶方程式赛车的传感器融合目标检测算法研究及实现》
论文结构关键字:无人驾驶方程式赛车,相机,激光雷达,目标检测,传感器融合一.绪论 1. 感知技术研究现状 1.1.1 基于相机的目标检测技术研究现状 1.1.2 基于激光雷达的目标检测技术研究现状 ...
目标检测算法实战综述
目录一.目标检测问题定义二.目标检测问题方法三.常见传统目标检测算法 3.1 Viola-Jones (人脸检测) 3.2 HOG+SVM (行人检测.Opencv实现) 3.3 DPM (物体 ...
Pytorch搭建SSD目标检测平台
学习前言什么是SSD目标检测算法源码下载 SSD实现思路一.预测部分 1.主干网络介绍 2.从特征获取预测结果 3.预测结果的解码 4.在原图上进行绘制二.训练部分 1.真实框的处理 2.利用 ...

SSD目标检测算法原理（上）

目录