目标检测学习笔记（一）

最新推荐文章于 2022-08-10 20:09:30 发布
最新推荐文章于 2022-08-10 20:09:30 发布
阅读量397 收藏 2
点赞数
分类专栏： 目标检测 文章标签： 计算机视觉 深度学习
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/m0_38077244/article/details/104942515
版权

1. 基本检测流程

  • 生成候选区域（确定搜索范围）
  • 提取区域特征（将候选区域表示为定长向量）
  • 分类（确实是否包含物体及物体类别）
  • 后处理（对重合度较高的矩形框合并）
包含two-stage和one-stage两种，区别在于是否有候选区域的生成过程

2. R-CNN

RCNN过程

  • 生成候选区域
    传统方法：滑动窗口+金字塔
    selective search:
    • 现有分割方法将图像快速划分为多个区域
    • 基于相似度对相邻区域合并
    • 不断合并区域直至整张图像为一个区域
    • 合并区域过程中产生的所有区域给出矩形框，得出候选窗口
  • CNN+softmax或SVM分类
    • 矩形框resize到相同大小227*227, 适当扩大一点矩形框范围
    • 有监督预训练+fine tuning
  • 边框校准
    • 对（x, y, w, h）坐标及长宽做回归，即对边框精细校准

3. SPP-net

  • 允许任意大小的输入，不需要满足CNN的输入大小相同的要求，同时提升速度
  • 候选矩形框直接通过SPP生成固定长度的特征向量，最后输入到全连接层

4. Fast R-CNN

在这里插入图片描述

  • 保留SPP-Net多尺度信息，简化为ROI-pooling单尺度，可指定划分网格具体大小，整张图上做一次卷积层的计算
  • 多任务学习，整合之前多个单任务，将分类和回归一起训练
  • 两点改进：边框回归采用 s m o o t h smooth smooth L 1 L1 L1 l o s s loss loss，模型更鲁棒；对全连接层权重矩阵改进，截断truncated SVD分解降低复杂度
  • 节省时间，精度也没有降低，甚至可能比之前好

4. Faster R-CNN

  • 优化候选框的生成过程，RPN网络，采用CNN结构生成候选区域，生成候选框的CNN和分类的CNN共享卷积层；
  • Anchor box：滑动窗口预先设定具有不同尺度，不同长宽比的矩形框；按Ground Truth标定这些anchor box的正负，于是，传入RPN网络的样本数据被整理为anchor box（坐标）和每个anchor box是否有物体（二分类标签）RPN网络将每个样本映射为一个概率值和四个坐标值，概率值反应这个anchor box有物体的概率，四个坐标值用于回归定义物体的位置。最后将二分类和坐标回归的损失统一起来，作为RPN网络的目标训练。
    由RPN得到Region Proposal在根据概率值筛选后经过类似的标记过程，被传入R-CNN子网络，进行多分类和坐标回归，同样用多任务损失将二者的损失联合。
  • 训练方式
    在这里插入图片描述

5. R-CNN系列比较

在这里插入图片描述

5. R-FCN, FPN, Mask-RCNN

6. YOLO

  • 将图像划分成网格grid，预测网格内边框信息；
  • 物体边框预测以整张图特征为输入，充分的上下文信息，背景误检少；
  • 存在的问题：小目标问题，密集排布的物体，检测框的准确性不够高

7.SSD (single-shot mutli-box detector)

  • default box 类似anchor box，不同长宽比物体用不同的predictor；不同于RPN的点是既要给出是否有物体，还要给出具体类别，one-stage
  • 多尺度，在不同尺度特征图上预测；非极大值抑制去除冗余边框
  • multi-box：default box的设计及训练策略
    在这里插入图片描述

8. DSSD （devconvolutional）

  • 解决SSD的小目标问题，提供上下文信息，融合深层特征和浅层特征；深层特征由反卷积提供
  • 更加复杂的预测模块，跨层连接的卷积结构预测

9. RetinaNet

  • 主要解决单阶段检测器精度不准中样本不平衡问题（背景较多），
    1. 背景易区分为模型学习提供的信息有限
    2. 背景数量较多可能学习到不好的模型
  • 现有的方法，采样，OHEM难例挖掘，但是只使用部分样本
  • RetinaNet给全部样本赋予权重，focal loss；误分严重的样本权重大
  • 速度和单阶段检测器相仿，精度比双阶段检测器精度高

9. 评价标准

  • 交并比（IOU）
  • 匹配策略：
    1. 贪心算法；
      按照得分从高到低排列，搜索满足交并比阈值的检测框
      大部分数据集的评测方式
    2. 匈牙利算法；
      将匹配建模成一个分配问题，最大化交并比
      FDDB人脸检测数据集采用这种方式评价
  • 检测框匹配：
    —— 动态交并比阈值
    a. 不同大小的框对交并比的“敏感程度”不同
    b. ImageNet 评测较小物体时会适当放宽阈值
    ——按条件匹配/忽略框
  • 具体评价指标 在这里插入图片描述
  • PR曲线：纵轴精确率，横轴召回率
  • 平均精确率
    ——AP（average precision）：不同召回率下的平均
    均匀计算11个不同召回率下 R e c a l l ∈ 0 , 0.1 , 0.2 , . . . 1.0 Recall \in {0, 0.1, 0.2, ... 1.0} Recall∈0,0.1,0.2,...1.0
    计算PR曲线下面积
    ——mAP（mean average precision）：不同类别下的平均
    ——mmAP（mean mAP）：不同IOU阈值下的平均，很少使用，
    一般分别给出各个阈值下的mAP

引用内容：深度学习目标检测

儒雅的顾毛毛
关注
专栏目录
目标检测数据集（一次性筷子计数）
07-12
收集好的一次性筷子，已标注，可用于跑目标检测模型。相关介绍参考我的博客：https://blog.csdn.net/qq_39056987/article/details/116270881?spm=1001.2014.3001.5501
目标检测的学习笔记.pdf
10-25
学习目标检测的相关笔记，相互学习指正哦！
目标检测学习笔记
q839039228的博客
08-10 834
吴恩达老师的目标检测课程的学习笔记
目标检测基本概念及数据集VOC
lzw刘仔很忙的博客
12-16 982
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.
目标检测学习笔记——综述
s000da的博客
05-22 317
阅读资料 阅读情况 基于深度学习的目标检测算法综述 以此为基础在看，针对不同算法，具体再查资料补充着看 综述论文 干货 | 基于深度学习的目标检测算法综述 干货 | 目标检测入门，看这篇就够了（已更完） 综述论文 积累： 干货 | 基于深度学习的目标检测算法综述 干货 | 基于...
目标检测论文学习笔记1
08-03
这篇学习笔记主要涵盖了几个经典的深度学习目标检测模型，包括R-CNN、Fast R-CNN和Faster R-CNN，以及单阶段检测器SSD和YOLO系列。此外，还介绍了数据集的使用和目标检测的评估指标。 一、数据集与标注工具 PASCAL ...
完整版深度神经网络及目标检测学习笔记.docx
07-13
【深度神经网络与目标检测学习笔记】 深度神经网络（Deep Neural Network, DNN）是现代计算机视觉技术的核心，尤其在目标检测任务中扮演着至关重要的角色。这些网络模仿人脑神经元的工作方式，通过大量的训练数据...
目标检测算法笔记
07-25
随着深度学习的兴起，目标检测算法经历了显著的演进，主要分为两类：two stage 和 one stage 算法。 two stage 目标检测算法，如 R-CNN 系列，包括 R-CNN、SPP-net、Fast R-CNN 和 Faster R-CNN，其特点是先通过...
目标检测—学习笔记
studyeboy的专栏
07-15 330
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...
学习笔记：目标检测
张荣
08-13 297
感谢这位作者，以下记录是来自于https://blog.csdn.net/wangjian1204/article/details/79124018 我看到比较好，就转记录到自己的博客了，如果有侵权，立马删掉 图像分类和目标检测是计算机视觉两大模块。相比于图像分类，目标检测任务更复杂更困难。目标检测不但要检测到具体的目标，还要定位目标的具体位置。不过Tensorflow models上大神们...
目标检测学习笔记1
Shadownow的博客
07-19 1161
目标检测学习笔记 计算机视觉有四大基本任务，分别是：分类、定位、检测、分割。其中分类任务是所有任务的基础。因为对于一幅图像，可能含有多个物体。所以分类任务是对图像中主体事物类别的判断。定位任务也是单目标任务，和分类任务唯一的不同是，不仅需要分类还需要把判别出的主体事物的边界框出来。目标检测是多目标任务，是对图像中各种需要检测的物体如果出现用边界框框住，并判别其类别。分割任务和检测任务的区别就在于是框的形状是物体的边界形状。 目标检测目的：从图像或视频流中，检测出其中一个或多个物体的类别与其位置 其任务简
目标检测中的一些指标——学习笔记
Diana_Z的博客
06-28 835
1、参考： https://blog.csdn.net/asasasaababab/article/details/79994920 2、TP、FP、TN、FN 用人脸识别做一个例子， TP：True Positive，目标区域有人脸，返回目标区域检测到人脸 FN：False Negative，目标区域有人脸，返回目标区域没有检测到人脸 FP：False Positive，目标区...
目标检测：YOLO v1学习笔记
SunshineSki的博客
10-30 7938
本人为初学小白，阅读并整理网上诸多大神的博客并添加自己学习心得作为学习记录与大家一同学习，共同进步，参考链接见文末。 文章目录引言YOLO设计理念核心思想算法特点结构设计训练测试要点分析大致步骤分成单元格单元格输出训练细节不足参考与引用文献 引言 提到Computer Vision，可能我们会最先想到CV的基本任务Image Classification，但在此基础上，还有其他更为复杂和有趣的任...
卷积神经网络—目标检测 学习笔记（中）
junex的博客
02-03 717
3.4 滑动窗口的卷积实现（Convolutional implementation of sliding windows） 滑动窗口算法计算成本高的主要原因是有许多重复计算，如下图所示： 在滑动过程中，红框和绿框重叠区域会被计算多次，这浪费了很多计算时间，因此要改进滑动窗口就要避免重复计算。 先看一下滑动窗口算法的结构： 由于使用全连接层，每次处理只能输出一个结果。而如果我们想共
目标跟踪学习笔记
jacke121的专栏
04-19 4869
参考： https://zhuanlan.zhihu.com/p/90835266 真心感觉目标跟踪任务的难度和复杂度要比分类和目标检测高不少，具有更大的挑战性。 如果你跟我一样是正在学习目标跟踪的新手，希望本文能让你对目标跟踪任务和DeepSORT算法的工作流程有个初步的了解，如果你是该领域的前辈，欢迎对文中的不足之处进行指正，多多指教。 本文首先将介绍在目标跟踪任务中常用的匈牙利算法（...
异常检测与监督学习对比：机器学习课程笔记
在异常检测中，模型的目标是学习数据的正常模式，并能够识别出与该模式显著偏离的数据点。这种技术广泛应用于欺诈检测、网络入侵检测、设备故障预测等领域，其中异常情况可能具有高度不可预测性和稀有性。 监督学习...
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
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