OpenMMLab第四天学习_目标检测

目标检测与图像分类技术的区别

图像分类和目标检测技术是计算机视觉领域的重要研究方法。这些技术帮助机器理解和识别实时对象和环境，帮助数字图像作为输入。图像分类是一种用于对图像中特定对象的类别进行分类或预测的技术，该技术的主要目的是准确识别图像中的特征。

图像分类技术涉及的主要步骤是确定合适的分类系统、特征提取、选择好的训练样本、图像预处理和选择合适的分类方法、分类后处理，最后对总体精度进行评估。在这种技术中，输入通常是特定对象的图像如各种花的图像，输出是定义和匹配输入对象的预测类。

以下几种类型的图像分类技术

●基于不同传感器信息的图像分类

●基于训练样本性质的图像分类

●基于数据所用各种参数的图像分类

●基于数据像素信息性质的图像分类

●基于每个空间数据元素生成的输出数量的图像分类

●基于空间信息性质的图像分类。

在有监督和无监督的图像分类技术中，缺点是训练阶段需要大量的时间，不适合处理大数据。

目标检测的问题定义是确定目标在给定图像中的位置，如目标定位，以及每个目标属于哪个类别，即目标分类。

近几年来，在受控环境下的目标检测问题取得了很大的成功。然而，这个问题在不受控制的地方仍然没有得到解决，特别是当对象被放置在杂乱和闭塞的环境中的任意姿势时。

计算机视觉目标检测需用矩形框将所有感兴趣物体框出，同时预测物体类别

在姿态估计算法中从特征提取的角度来看，复合式模型源于局部关节特征对全局人体特征的监督性质。模型通常使用回归网络模块处理整幅图像的特征，但是大量背景特征会对人体姿态特征的处理产生干扰，这时该类方法的检测模块可以利用噪声较少的局部关节特征强调人体姿态特征，进而弱化背景特征产生的影响。 COCO是微软的产品，是一个非常大的数据集集合，包含对象检测、关键点检测、全景分割和图像字幕等注释类型。JSON 文件用于存储注释。COCO 数据集带来了一个非常有趣的数据组合，在不同的身体尺度下使用不同的人体姿势，也包含遮挡模式，与不受约束的环境。COCO数据集包含 200,000张图片，其中包含 250,000人，每个人体标记 17个关节。该数据集被用于单个人和多人的姿态估计模型。