目标检测发展与综述

目标检测发展与综述

绪论

• 在github上的git主hoya012整理了关于目标检测的相关论文，点击此处可获取原文链接GitHub - hoya012/deep_learning_object_detection: A paper list of object detection using deep learning.
• 这里还有关于目标检测综述的相关论文链接
  • 链接1：《Deep Learning for Generic Object Detection A Survey》
  • 来自 <目标检测算法综述（近20年）_Rock_Huang~的博客-CSDN博客_目标检测算法综述>
  • 转载翻译博文链接 深度学习目标检测的论文集及概述_xiaobai_Ry的博客-CSDN博客
  • 相关翻译的博客推荐 目标检测发展史_樨潮的博客-CSDN博客_目标检测方法的发展历程和相关改进方法
  • 链接2：《Object Detection in 20 Years: A Survey》
  • 来自 <目标检测算法综述（近20年）_Rock_Huang~的博客-CSDN博客_目标检测算法综述>
  • 相关翻译的博客推荐
  • 深度学习目标检测综述 - 知乎
  • https://blog.csdn.net/qq_38906523/article/details/80507676?biz_id=102&spm=1018.2118.3001.4187
  • 继往开来！目标检测二十年技术综述_算法
  • 近20年最全目标检测综述（第二期）_计算机视觉研究院的博客-CSDN博客

   

在下面的某些部分，我会引用上述提及的文献，这里先做一下声明。

一、目标检测的背景及意义

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。

二、目标检测的定义

1.目标检测的任务：

找出图像中所有感兴趣的目标（物体），并获得这一目标的类别信息和位置信息【位置和大小】（classification + localization）。

目标检测=分类+定位

2,与分类的区别：

相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因此检测模型的输出是一个列表，列表的每一项使用一个数组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。

3.与分割的区别：

分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。

4.目标检测要解决的核心问题是：

1.目标可能出现在图像的任何位置。

2.目标有各种不同的大小。

3.目标可能有各种不同的形状。

5.目标检测的过程：

传统的目标检测方法一般分为三个阶段：首先在给定的图像上选择一些候选区域，然后对这些区域提取特征，最后使用分类器进行分类。

6.目标检测面临的难点：

图来源于 Deep Learning for Generic Object Detection: A Survey

高准确度（Loc acc.+Reg acc.） 对类内形变的鲁棒性 同类物体有很多不同的实例（不同纹理/颜色/材质等） 目标实例的多样性（姿态/非刚性形变等） 采样过程的条件和环境的影响（光照/尺度/遮挡/阴影/污迹/角度/背景） 图像噪声（采样过程的噪声/滤波器影响/压缩的噪声等） 高的可区分性 类间的相似性 目标物体类别多样 高效性（时间、内存效率） 实际中目标类别成千上万 需要定位并辨别目标类别 目标的可能定位数量太多 图像/视频数据太多

三、目标检测的发展

1.目标检测近20年的发展

以AlexNet为分界线，2012年之前为传统算法，2013年之后为深度学习算法。

图来源于《Object Detection in 20 Years: A Survey》

从上述可知，主要分为传统和深度两种情况：

• 传统方法比如我们所熟知的V-J检测、HOG检测、DPM算法。
• 深度学习方法截然不同的分为两条技术路径：单阶段检测算法与两阶段检测算法。

目标检测的相关里程碑

在《Deep Learning for Generic Object Detection: A Survey》中，作者罗列出相关网络及论文的进程，并表明红色加粗部分为必看论文。

图来源于《Deep Learning for Generic Object Detection: A Survey》

在过去的20年，相关的里程碑如下图所示：

图来源于《Deep Learning for Generic Object Detection: A Survey》

四、目标检测分类

综合看的博客和知乎，我觉得下面几个图概括得挺好的

简单来看

细分

图来源于基于深度学习的目标检测算法综述（一） - 知乎 基于深度学习的目标检测算法综述（一） - 知乎

比较推荐

图来源于目标检测——目标检测方法的综述_鬼刀-CSDN博客_常用的目标检测方法https://blog.csdn.net/gaoyu1253401563/article/details/86477942?depth_1-

五、目标检测常见数据集及常见数据集格式

0.说明

有关更多数据集的介绍与格式转换，可参考我的另外两篇博客：

• 目标检测的数据集格式说明总和
•  VOC格式、Yolo格式、Coco格式的转换（实践篇）

1. 最常见的数据集

• Pascal VOC
• COCO

2. 常见的数据集格式

• VOC格式（jpg+xml）
• COCO格式（json)
• Yolo格式(txt)

3. 常见数据集的概况

图来源于《Deep Learning for Generic Object Detection: A Survey》

4.数据集的区别展示

图来源于《Object Detection in 20 Years: A Survey》

六、目标检测常见评价指标

1. 主要评价指标通常有三个：
   • MAP（平均准确度均值，精度评价）
   • 检测速度（FPS即每秒处理的图片数量或者处理每张图片所需的时间，当然必须在同一硬件条件下进行比较）
   • 召回率（Recall）=  (TP)/(TP+FN)：每个类被正确分类的概率
2. 其他性能指标
   • 准确率 （Accuracy）
   • 精确率（Precision）
   • 混淆矩阵 （Confusion Matrix）
   • precision-recall曲线
   • 平均正确率（AP）
   • ROC曲线（Receiver Operating Characteristic）
   • AUC曲线（Area Under Curve）即为ROC曲线下的面积。
   • 交除并IOU（Intersection Over Union):预测框A和真实框B的重叠程度
   • 非极大值抑制（NMS）

七、目标检测效果对比

在《Object Detection in 20 Years: A Survey》，作者指出相关网络在不同数据集上的map评价情况，如下图所示：

 

同样在《Deep Learning for Generic Object Detection: A Survey》，作者指出相关网络在不同数据集上的map评价情况，如下图所示：