目标检测初始

图像处理之目标检测

目标检测认知

• Object Detection，是指在给定的图像或视频中检测出目标物体在图像中的位置和大小,并进行分类或识别等相关任务。
• 目标检测主要是将目标的分割和识别合二为一。
• 目标检测的核心关键：What（是什么）、Where（在哪里）

使用场景

目标检测用于以下场景：

• 图像处理；
• 自动驾驶：检测周围的车辆、行人、交通灯、道路标志等；
• 安防监控：监控公共场，发现异常行为，保障公共安全；
• 人脸检测；
• 医学影像分析：在医学影像方面可以识别肿瘤、组织变异等，用于医疗辅助；
• 无人机应用：识别特定目标，引导无人机飞行，比如监测天气、线路检测、搜寻救援、军事等；
• 缺陷检测：工业；

目标识别与标注

• 目标识别包含了分类 + 坐标位置（x, y, w, h）：What、where

目标检测网络基础

目标检测方法

Detection主要分为以下三个支系：

	one-stage系	two-stage系	multi-stage系
主要算法	YOLO系列、SSD、RetinaNet	Fast R-CNN、Faster R-CNN	R-CNN、SPPNet
检测精度	较低(随着网络的改进，精度也不低)	较高	极高
检测速度	较快（达到实时视频流级别）	较慢，5 fps	极慢
鼻祖	YOLOv1	Fast R-CNN	R-CNN

two-stage（包含全连接层）

1.双阶段，两部到位，特点如下：

• 候选区域生成：第一阶段生成候选区域（Region Proposals）;
• 区域分类和回归：第二阶段对候选区域进行分类和回归，即对每个候选区域进行目标分类和位置精修。
• 代表算法：R-CNN（Region-CNN）系列，包括Fast R-CNN、Faster R-CNN、Mask R-CNN等。

2.基本流程：

one-stage（不包含全连接层，依赖不同卷积实现不同功能）

1.单阶段，一步到位，特点如下：

• 端到端训练：直接从图像中提取特征并进行分类和回归，即同时进行目标分类和位置回归。
• 实时性高：由于仅有一个阶段，计算速度快，适合实时应用。
• 代表算法：YOLO（You Only Look Once）系列、SSD等。

2.基本流程：

目标检测指标

目标框指标

• 在目标检测中，每个检测出的目标物体通常都会标注一个框（Bounding Box），用于表示目标的位置和大小，这个框叫目标框。

IoU（预测框与真实框的重合率）

• 基础英文单词：【交集】Intersection 【并集】Union
• 前景目标交并比:𝐼𝑜𝑈=A∩BA∪B
• loU(Intersectio