目标检测（Object Detection）学习笔记（概述与传统算法与基于深度学习算法）

已于 2022-11-01 09:13:22 修改
阅读量1.7w 收藏 118
点赞数 24
文章标签： 目标检测 深度学习 机器学习 人工智能
于 2022-11-01 09:11:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/huangweijie0426/article/details/127583034
版权

文章目录

目标检测（Object Detection）

本文为课程研讨需要，对目标检测算法进行理论学习，无实战内容，欢迎交流探讨

一、目标检测的基本概念

（一）什么是目标检测

目标检测（Object Detection） 的任务是找出图像中所有感兴趣的目标（物体），不同于分类和回归问题，目标检测还需要确定目标在图像中的位置 （定位），而确定识别目标的类别和位置 （分类和定位），是计算机视觉领域的核心问题之一。
图1 目标检测算法

（二）目标检测的任务

计算机视觉中关于图像识别有四大类任务：
（1）分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
（2）定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
（3）检测-Detection：解决“在哪里？是什么？”的问题，即定位出这个目标的位置并且知道目标物是什么。
（4）分割-Segmentation：解决“每一个像素属于哪个目标物或场景”的问题。从像素级别回答了“在哪里？是什么”的问题
（如下图）

（三）目标检测算法分类

1、传统目标检测算法

具体参考：常见经典目标检测算法
不同于现在的卷积神经网络可以自动提取高效特征进行图像表示，以往的传统目标检测算法主要基于手工提取特征。
传统检测算法流程可概括如下：

1）选取感兴趣区域，选取可能包含物体的区域
2）对可能包含物体的区域进行特征提取
3）对提取的特征进行检测分类

传统检测算法局限性：
基于手工提取特征的传统目标检测算法主要有以下三个缺点：

1）识别效果不够好，准确率不高
2）计算量较大，运算速度慢
3）可能产生多个正确识别的结果

（1） Viola Jones Detector

VJ (Viola Jones)检测器采用滑动窗口的方式以检查目标是否存在窗口之中，该检测器看起来似乎很简单稳定，但由于计算量庞大导致时间复杂度极高，为了解决该项问题，检测器通过合并三项技术极大提高了检测速度，这三项技术分别是：
1)特征的快速计算方法——积分图；
2)有效的分类器学习方法——AdaBoost；
3)高效的分类策略——级联结构的设计。

（2）HOG Detector

HOG(Histogram of Oriented Gradients)检测器于2005年提出，是当时尺度特征不变性(Scale Invariant Feature Transform)和形状上下文(Shape Contexts)的重要改进，为了平衡特征不变性(包括平移，尺度，光照等)和非线性(区分不同的对象类别)，通过在均匀间隔单元的密集网格上计算重叠的局部对比度归一化来提高检测准确性，因此检测器是基于本地像素块进行特征直方图提取的一种算法，它在目标局部变形和受光照影响下都有很好的稳定性。为后期很多检测方法奠定了重要基础，相关技术被广泛应用于计算机视觉各大应用。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

（3）DPM Detector

作为VOC 2007-2009目标检测挑战赛的冠军，DPM(Deformable Parts Model)是目标检测传统算法中当之无愧的SOTA(State Of The Art)算法。于2008年提出，作了很多改进，因此该算法可以看作的延申算法。算法由一个主过滤器(Root-filter)和多个辅过滤器(Part-filters)组成，通过硬负挖掘(Hard negative mining)，边框回归(Bounding box regression)和上下文启动(Context priming)技术改进检测精度。作为传统目标检测算法的SOTA，方法运算速度快，能够适应物体形变，但它无法适应大幅度的旋转，因此稳定性差。

2、基于深度学习的目标检测算法

基于手工提取特征的传统目标检测算法进展缓慢，性能低下。直到2012年卷积神经网络(Convolutional Neural Networks, CNNs)的兴起将目标检测领域推向了新的台阶。基于CNNs的目标检测算法主要有两条技术发展路线：Anchor-Based和Anchor-Free方法，其区别是是否使用Anchor进行训练和预测；Anchor-based方法则包括一阶段和二阶段检测算法，二阶段目标检测算法一般比一阶段精度要高，但一阶段检测算法速度会更快，Anchor-Free算法近几年逐步完善。
在这里插入图片描述

（1）Two Stage

先进行区域生成，该区域称之为region proposal（简称RP，一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。

任务流程：特征提取 --> 生成RP --> 分类/定位回归。

常见two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。

（2）One Stage

不用RP，直接在网络中提取特征来预测物体分类和位置。

任务流程：特征提取–> 分类/定位回归。

常见的one stage目标检测算法有：OverFeat、YOLO系列、SSD和RetinaNet等。

最低0.47元/天 解锁文章
YOLO学习笔记 | 使用YOLO v3深度学习进行目标检测（附代码）
尘世冰封的专栏
10-03 704
如何使用YOLO v3深度学习网络来检测图像中的对象
目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究
qq_36130719的博客
08-01 1249
在Darknet深度学习框架支撑下，注重精度速度均衡化的YOLO系列算法结 合新算法思想，不断推陈出新。而YOLO系列经典算法YOLOv3，继承了YOLOv1、 YOLO9000[ 61]算法精度高、推理速度块、检测种类多的优势，综合提高了各大尺 度目标的检测精度，算法思想如下：(1) 基于残差网络构建的骨干网络Darknet53，基本模块为下采样和残差块 的连续组合，详细结构见表2.1。下采样模块一方面可以降低网络计算量，另一 方面也增大了感受野，提高对大目标的检测性能；
目标检测学习笔记
q839039228的博客
08-10 915
吴恩达老师的目标检测课程的学习笔记
目标检测简介（Object Detection）
u013250861的博客
07-19 7555
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。计算机视觉中关于图像识别有四大类任务：（1）分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。（2）定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
一文带你看懂目标检测！（四万字超全超详细版）
最新发布
qq_52889317的博客
02-07 1012
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标或物体，并确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
object_detection
08-12
object_detection
目标检测基本概念及数据集VOC
lzw刘仔很忙的博客
12-16 1045
目标检测是计算机视觉中的一个重要任务，近年来传统目标检测方法已经难以满足人们对目标检测效果的要求，随着深度学习在计算机视觉任务上取得的巨大进展，目前基于深度学习的目标检测算法已经成为主流。 相比较于基于深度学习的图像分类任务，目标检测任务更具难度。 具体区别如图3-1所示。 图像分类：只需要判断输入的图像中是否包含感兴趣物体。 目标检测：需要在识别出图片中目标类别的基础上，还要精确定位到目标的具体位置，并用外接矩形框标出。 目标检测的思路 如果知道了图中某个位置存在物体，再将对应的局部.
目标检测（Object Detection）
m0_63260018的博客
08-15 2699
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
Object Detection(1)
qq_35134144的博客
12-13 820
本文参考： 1）J.R.R. Uijlings “Selective Search for object recognition” 2）surgewong https://blog.csdn.net/surgewong/article/details/39316931#commentBox 3）深度学习调参实验室 https://zhuanlan.zhihu.com/p/27467369  ...
目标检测（Object Detection）学习笔记（一）目标检测综述
sanshibayuan的博客
12-21 1324
目录 写在前面 问题描述 传统方法 VS 深度学习方法 发展现状 检测流程 检测框架(One-Stage & Two-Stage) 发展趋势（2019年底） 评价指标 IoU mAP mAP定义及相关概念 mAP计算步骤 参考代码（Detectron） 参考链接 FPS 常用数据集 PASCAL VOC ImageNet COCO 参考文章 写在前...
目标检测算法笔记
07-25
此文档为小编对当今深度学习主流目标检测算法R-CNN系列和YOLO系列进行的简单总结，包含了一些个人理解、YOLO论文解读等内容。
基于YOLOv8深度学习的智慧海洋SAR图像舰船目标检测系统
ZSW1218的博客
12-28 1443
随着海上交通的日益繁忙和海上安全管理需求的提升，基于合成孔径雷达（SAR）图像的舰船目标检测成为海上监控系统中的重要研究领域。本文提出了一种基于YOLOv8的舰船目标检测系统，该系统能够高效地处理SAR图像并自动识别其中的舰船目标。为了提高目标检测的准确性和实时性，本文采用YOLOv8模型对SAR图像进行训练和优化，并设计了一个基于PyQt5的图形用户界面（GUI），实现了系统的交互式操作和结果可视化。
目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究（下）
qq_36130719的博客
04-28 561
本文结合ROS操作系统、软件仿真平台Gazebo、通信包MAVROS以及PX4来进 行无人机目标检测的仿真实验，如下图是PX4的软件在环(SITL)仿真的系统通信接口连接图如下图4-15所示：在仿真系统中，由Gazebo提供一个虚拟世界的仿真环境，并且提供无人机仿真模 型和虚拟的GPS、IMU等各种传感器的相关数据。
目标检测（Object Detection）入门概要
hyfine
07-12 6万+
Objection Detection Tasks Methods Algorithms Region Proposal Selective Search EdgeBoxes R-CNN SPP-Net Fast R-CNN Faster R-CNN SSD YOLO references 本文首先介绍目标检测的任务，然后介绍主流的目标检测算法或框架，重点为Faster...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
热门推荐
结构之法 算法之道
05-02 13万+
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 前言 之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测，包括R-CNN、Fast R-CNN、Faster R-CNN，但一直没有比较好的机会深入（但当你对目标检测有个基本的了解之后，再看这些课程你会收益很大）。但目标检测这个领域实在是太火了，经常会看到一些写的不...
目标检测(Object Detection)
bestrivern的博客
01-04 1888
一.概述 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 计算机视觉中关于图像识别有四大类任务： 分类-Classification：解决“是什么？”的问题，即给定一张图片或一段...
目标检测—学习笔记
studyeboy的专栏
07-15 367
概述 传统的目标检测方法都是区域选择、特征提取、分类回归，造成难以解决的问题是区域选择的策略效果差、时间复杂度高，并且手工提取的特征鲁棒性差。 基于深度学习的目标检测算法主要有两个分支：以R-CNN为代表的两步走分支和以YOLO为代表的单步走分支。 两步走的目标检测算法都离不开Region Proposal，这既是优点也是缺点，主要代表算法是R-CNN系列算法。 生成可能区域（Region Pr...
基于深度学习的空中运动目标检测与追踪的研究背景与意义相关资料
03-27
背景： 随着人工智能领域的不断发展，深度学习技术在目标检测和跟踪领域表现出了极高的准确性和效率。空中运动目标检测和追踪技术在军事、民用等领域有着广泛的应用，如无人机监视、空中目标识别、自主导航等。然而，空中运动目标检测和追踪面临着诸多挑战，如复杂的背景、快速移动的目标、遮挡等，因此需要更加精细的算法和技术来提高检测和追踪的准确率和实时性。 意义： 基于深度学习的空中运动目标检测和追踪技术的研究意义在于： 1.提高目标检测和追踪的准确率和实时性，提高军事、民用等领域的监视、识别、导航等应用的效率和精度。 2.促进深度学习技术在目标检测和跟踪领域的应用和发展，推动相关领域的研究和进步。 3.为实现自主导航、智能化监视等目标打下技术基础，推动人工智能和无人系统等技术的发展和应用。 相关资料： 1. Shi J, Li Y, Zhang J, et al. Real-time UAV detection using deep convolutional neural networks[C]. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2017. 2. Li Y, Shi J, Zhang J, et al. A real-time multi-task UAV detection system using deep convolutional neural networks[C]. IEEE International Conference on Robotics and Automation (ICRA), 2017. 3. Zhang J, Li Y, Shi J, et al. Real-time detection and tracking of UAV using deep convolutional neural networks[C]. IEEE International Conference on Computer Vision (ICCV), 2017. 4. Chen Y, Chen C, Wang L, et al. Object detection in aerial images based on deep learning[C]. IEEE International Conference on Image Processing (ICIP), 2016. 5. Zhang L, Zhang L, Du B, et al. A survey of recent advances in target tracking in aerial videos[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2018.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

国房科技自主可控

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值