目标检测
- 目标检测可以看成是图像分类的进阶任务,不但分类出物体类别,还要输出物体的位置,用方框标明。
- However,并不是简单的在图像分类模型上,增加一个输出位置的分支。目标检测基本流程是给出物体的候选区,再送去分类,给出最优候选区并输出类别,作为最后的输出。目标检测也经历了若干技术改进,典型的可以看RCNN、Fast-RCNN、Faster-RCNN的不同。
- 目标检测分为二阶段、一阶段框架,二阶段用时长、模型大,但精度高,因为候选区经历了两次精修;一阶段快、模型小,精度稍低。但经历若干改进,精度在逐步提高。
- 以上方法需要先定义anchor,使多尺度物体检测、遮挡物体检测等都存在困难。为此,提出anchor-free方法,先确定物体(例如中心点),再确定物体尺度,以此输出物体的检测区域(矩形框)。存在的困难,在于确定物体,所以需要高精度网络,第二,物体尺度如果是用回归的方法得到,尺度太大时要考虑若超过网络的视野,会有矩形框不够大的情况。
- 多尺度检测,是提高网络精度的常用方法,经典的有FPN。
- MMDetection,实用COCO数据集标注格式,训练可以修改配置文件,微调模型。