二.每周一学------目标检测入门

前言

目前计算机视觉（CV，computer vision）与自然语言处理（Natural Language Process， NLP）及语音识别（Speech Recognition）并列为人工智能（AI，artificial intelligence）·机器学习（ML，machine learning）·深度学习（DL，deep learning）方向的三大热点方向 。

而 计算机视觉又分为三个基本内容

• 一是分类（Classification），即是将图像结构化为某一类别的信息，用事先确定好的类别(string)或实例ID来描述图片（这是解决“what”）。
  -二是检测（Detection），分类任务关心整体，给出的是整张图片的内容描述，而检测则关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息。相比分类，检测给出的是对图片前景和背景的理解。（这是解决“what和where”）。
• 三是分割（Segmentation）。分割包括语义分割（semantic segmentation）和实例分割（instance segmentation），前者是对前背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓，相比检测框更为精细。
  

今天我们主要讲的是关于目标检测的一些内容

目标检测简述

目标检测定义: 简答来说包含两个子任务
一是输出这一目标的类别信息，属于分类任务
二是输出目标的具体位置信息，属于定位任务

目标检测的问题：

• 目标种类与数量的问题
• 目标的尺度问题
• 外在环境的干扰问题

目标检测的发展历程

1. 传统的目标检测方法
2. 以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN, R-FCN)
3. 以YOLO为代表的将目标检测转换为回归问题的端到端（End-to-End）的目标检测框架(YOLO, SSD)

而上图我们发现算法分为单阶段（One-stage）和双阶段（Two-stage）

总之，完成目标检测都会遵循3个步骤

• 选择检测窗口
• 提取图像特征
• 设计分类器

检测窗口的选择
目标检测的最终任务是检测出一个窗口中是否有物体
最简单窗口滑动法（这种会产生大量无效的窗口）

特征提取

• Haar特征提取速度快，能够表达物体多个方向的边缘变化信息
• LBP特征采用中心像素和边缘像素的灰度对比，可以表达物体丰富的纹理信息，是传统人脸检测算法中广泛应用的纹理特征
• HOG特征通过对物体边缘进行直方图统计，通常应用于物体检测

分类器

• Adaboost
• SVM
• 决策树和随机森林

有兴趣的同学可以自行了解

传统的目标检测方法

以下是几种传统的目标检测算法（同学们可自行去了解，其实我也不懂，嘿嘿）

• Viola-jones
• HOG+SVM
• DPM

传统目标检测存在的两个主要问题：

• 一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；
• 二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。

下次我们将对深度学习的目标检测更深入的了解，谢谢大家的观看！！！