值得收藏的基于激光雷达数据的深度学习目标检测方法 再不学工作都要没了

如何用深度学习做物体检测

目录

本文主要分两部分 1. 介绍几种深度学习领域的物体检测方法 2. 介绍Faster RCNN的实现过程

1. 深度学习领域物体检测的方法

物体检测相对于物体分类，除了要预测物体类别，还需要预测对应物体的位置，例如类别标签为(p1,p2,...,pn)，每个类别的位置标签为：(x,y,w,h)。

当前的物体检测方法，可以分为两类： 1. One stage方法（一步搞定） 包括YOLO、SSD等 2. Two stage方法（两步搞定） 包括RCNN，Fast RCNN，Faster RCNN等

下面先介绍One stage方法

One Stage方法

物体检测的经典做法，是通过人工提取各种特征，常见的特征有：Haar、SIFT(Scale Invariant Feature Transform)、HOG等。然后用提取出来的特征，做分类和回归。

2013年，Girshick等人，尝试使用深度学习做物体检测，并提出了RCNN方法，在当年的物体检测比赛中，获得冠军。随后基于深度学习的物体检测框架，层出不穷，包括本文要介绍的YOLO、SSD、RCNN系列等。下面先介绍YOLO。

1.1. YOLO(You Only Look Once) 2015

第一次接触YOLO，是Redmom在TED的演讲。当时Redmom用手机演示实时检测出会场中的人、杯子、笔记本，甚至领带时，惊艳全场。视频链接如下，感兴趣的读者可以看一下：

ted

YOLO的预测可以分为三步 1. 修改输入图片大小到448x448 2. 计算一次卷积 3. 对预测结果做过滤

YOLO会把输入图片，先分成S x S个小方格，然后把检测问题，抽象为回归问题，这里的标签设计有一个技巧，就是把类别和位置，融合到一起，例如下面这种形式：

[pc, px, py, ph, pw, c1, c2, c3]

 其中pc表示是否有物体，bx,by,bh,bw是框的参数，c1,c2,c3表示具体为哪个物体。

上图可以看出，一张输入图片，被划分为S x S个小块，每个小块预测B个边框和C个类别，预测结果就是为S x S x (B x 5+C)维张量。

YOLO的网络架构

这里网络架构的技巧是使用1x1卷积核，降低特征的维度。

1.2. SSD(Single Shot MultiBox Detector) 2016

SSD相对于YOLO，改进是使用了不同比例的box，并且网络结构上采用了金字塔结构。这样的好处是，可以提升准确率，因为实际中的物体，大小总是不同的。

 

SSD可以在保证准确率的前提下，达到很高的fps(59fps)，相对于Faster RCNN实现的7fps有很大的提高

和YOLO网络架构的对比

上图可以看出&#x