目标检测总结

目标检测

定义

在图像分类的基础上将图像中的物体的位置标注出来

传统算法

1. 区域选择（滑动窗口）
2. 特征提取（SIFT HOG）
3. 区域分类（SVM Adaboost）
4. 后处理（NMS过滤框）

弊：算力要求高，适应性差，解决问题有限

深度学习

术语

• BBox = BoundingBox = 边界框，所有的框物体的框都可以称之为边界框，边界框的两种表示方法，左上角点和右下角点的组合，中心点和宽高的组合。

• Anchor 锚框，预先设定好比例的一组候选框的集合。

• RoI（region of interest) /Region proposal 初步提取出来的可能包含物体的区域。

• Region proposal network:Anchor-based 两阶段提取候选框的网络

• Intersaction over union:评价预测框的质量，越大则与标准越接近

  

Anchor-Based Method

用anchor提取候选目标框，在特征图上的每一个点，对anchor进行分类和回归。

缺点：

• 手工设计：设置多少个/多大，长宽比
• 正负样本不均衡问题
• 超参数：如何对不同数据设置？

一阶段

直接对anchor回归和分类最终目标框和类别

算法：

yolo

ssd

retinanet

二阶段

先用anchor回归候选目标框，划分前景和背景。

用候选目标框进一步回归和分类，输出最终目标框和对应的类别

R-CNN系列

Anchor-Free

不用预先设定的anchor，通过预测目标的中心或角点，进行目标检测

基于关键点

先检测目标左上角和右下角点，再通过角点组合形成检测框

Cornernet

基于中心

直接检测物体的中心区域和边界信息，将分类和回归解耦为两个子网

FCOS

CenterNet:Object as points

对比

paddledetection

参考

https://aistudio.baidu.com/aistudio/education/lessonvideo/674954

https://blog.csdn.net/phosphenesvision/article/details/108904450

udio.baidu.com/aistudio/education/lessonvideo/674954

https://blog.csdn.net/phosphenesvision/article/details/108904450