补习一下目标检测！

补习一下目标检测！

知识结构图：

一、目标检测原理

1.目标检测定义以及对比：

输出：框、类别、置信度

（a）分类 （b）目标检测 （c）语义分割 （d）实例分割

（分割的话精确到像素级别）

2.传统方法（左）VS深度学习方法（右）

传统方法：

手动特征提取（生成特征）；滑动窗口生成候选框

深度学习方法：

（二阶段）提取特征使用CNN；候选框使用RPN；

（单阶段）直接回归得到框的位置和类别

3.目标检测流程：

4.一阶段VS二阶段：

 

二、传统目标检测

1.V-J算法（Viola-Jones）

Haar特征抽取

（纹理特征：白-黑）

Adaboost算法：

2.HOG+SVM算法（行人检测，open-cv实现）

HOG特征：

SVM（支持向量机）

3.DPM（传统目标检测的巅峰之作）

4.NMS（非极大抑制算法）是什么？

 

三、深度学习two-stage算法

1.CNN结构：

2.RPN结构：

 

四、深度学习one-stage算法（没有RPN）

1.CNN结构：

2.回归结构：

 

五、SSD系列

1.SSD

（1）backbone：VGGNet，后面的全连接换成卷积。

为什么？参数共享，便于计算。

 

（2）多尺度特征提取：

结果作为检测层的输入。

（3）Default bounding boxes的类别分数、偏移量

（4）损失函数：

2.DSSD and DSOD

3.FSSD and RDSSD

 

六、Yolo系列 and RCNN系列

SSD（Single Shot MultiBox Detector），平衡了YOLO和Faster RCNN的优缺点的模型。

Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。

而yolo则相反，速度快，但准确率和漏检率较低。

	SSD	YOLOv3
LOSS	Softmax loss	Logistic loss
特征提取	VGG19	Darknet-53
Bounding Box Prediction	direct offset with default box	offset with gird cell by sigmoid activation
Anchor box	Different scale and aspect ratio	K-means from coco and VOC
Small objects	不好	较好
Big objects	Better.	Worse.
Data Augmentation	Different sample IOU crop	Random Scale from 0.25 to 2
Input	Original image	Random multi-scale input

 

 

 

 

 

 

 

 

 

 

 

 

七、人脸检测+关键点定位（MTCNN）多任务网络模型 

多任务网络

优势：