OpenMMLab DAY04

目标检测

人脸识别、智慧城市、自动驾驶（环境感知、路径规划）、下游视觉任务（识别文字，人体检测）等

滑窗

识别不同的物体可以采用不同比例大小的滑窗
–>效率低
改进：

• 使用启发式算法
• 减少冗余计算，进行密集预测（目前采用）
  • 用卷积一次性计算所有特征，再取出对应位置的特征完成分类

• 在特征图上进行密集预测：

分析滑窗中的重复计算：

区域提议

基础知识

交并比： 定义为两矩形框交集面积与并集面积之比，是矩形框重合程度的衡量指标
**置信度： **模型认可自身预测结果的程度，通常需要为每个框预测一个置信度
非极大值抑制： 滑窗类算法通常会在物体周围给出多个相近的检测框 这些框实际指向同一物体，只需要保留其中置信度最高的
**边界框编码：**边界框的绝对偏移量在数值上通常较大，不利于神经网络训练，通常需要对偏移量进行编码，作为回归模型的预测目标

两阶段目标检测算法

两阶段的检测范式最早由 R-CNN 确立，因包含 区域提议和区域识别两个阶段得名

多尺度检测技术

图像金字塔、层次化特征

特征金字塔网络

单阶段目标检测算法

YOLO

无锚框算法

DETR