[深度学习]Object detection物体检测之概述

一、Object detection物体检测与其他计算机视觉问题的区别与联系
在这里。有必要解释一下几大计算机视觉问题的区别与联系。说起物体检测是，那是计算机视觉之中一个比较热门的问题。

而它与图像识别classification的区别在于，图像识别classification提供了localization的定位操作，物体检测则是包括了定位和分类的两个任务。在现实世界中我们更多的能使用到物体检测的技术，因为拍摄的照片都是带有很高复杂性的，可能存在多个目标物体。而识别classification任务只能识别比较显著的一个，物体检测任务则能识别多个。

从物体检测更进一步，我们不仅希望在图像中找到对象，而且还要找到每个检测到的对象每个的像素掩码，这个问题称为实例分割Instance Segmentation。

二、 Object detection物体检测的数据集
1. PASCAL Visual Object Classification (PASCAL VOC) 是一个比较老的数据集，从05年~12年PASCAL VOC数据集一直举办计算机视觉的比赛，分为八个不同类别的比赛，包括object detection, classification, segmentation等等。虽然只有二十个分类，它依然是object detection的重要参考数据。

2.自2013年以来，ImageNet发布了一个带有边界框的对象检测数据集。训练数据集由大约500 000个仅用于训练的图像和200个类别组成。这个数据集很少被使用因为需要很高的算力，而且太多的分类对detection任务不利。

3.另一方面， Common Objects in COntext (COCO) 数据集中的公共对象由Microsoft开发。该数据集用于多种挑战：

字幕生成，对象检测，关键点检测和对象分割。COCO对象检测挑战，包括使用边界框本地化图像中的对象，并将它们中的每一个分类在80个类别之间。数据集每年都在变化，但通常由超过120,000张用于训练和验证的图像组成，还有超过40 000张图像用于测试。

三、 Object detection物体检测的性能指标
1. Intersection over Union (IoU) 交并比
简单点说，这个度量模型选择的候选框和实际框之间重叠的部分，也就代表了模型选择的候选框的精度，它是一个介于0~1的数值，通常在实际之中会设定一个阈值，把没有达到iou阈值的候选框舍去。最常用的阈值是0.5，即如果loU>0.5，则认为是真实的检测(true detection)，否则认为是错误的检测(false detection)。

MAP=所有类别的平均精度求和除以所有类别 
即数据集中所有类的平均精度的平均值。下面是图解iou和公式。

2.mean Average Precision (mAP)
要知道什么是mAP，首先要对一些常见的分类指标有个初步的了解，比如precision和recall。

在二进制分类中，平均精度（AP）度量是precision-recall曲线的摘要，而MAP=(所有类别的平均精度求和)除以(所有类别)，即数据集中所有类的平均精度的平均值。取平均意味着mAP避免了在某些类别检测很强，某些类别检测很弱。更详细的解释可以查看这里https://towardsdatascience.com/what-is-map-understanding-the-statistic-of-choice-for-comparing-object-detection-models-1ea4f67a9dbd

通常针对固定的IoU计算mAP，但是大量的边界框可以增加候选框的数量。

COCO挑战已经制定了一个官方指标，以避免过度生成候选框。它计算变量IoU值的mAP的平均值，以便惩罚具有错误分类的大量候选框。

三、Object detection物体检测的主要算法
1.传统的目标检测算法
Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化等等。

2.深度学习算法
目前主流的目标检测算法主要是基于深度学习模型，其可以分成两大类：

（1）two-stage检测算法
将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这类算法的典型代表是基于region proposal的R-CNN系算法，如R-CNN，Fast R-CNN，Faster R-CNN等；

（2）one-stage检测算法
不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，比较典型的算法如YOLO和SSD。

目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。一般情况下，two-stage算法在准确度上有优势，而one-stage算法在速度上有优势。不过，随着研究的发展，两类算法都在两个方面做改进。Google在2017年开源了TensorFlow Object Detection API，并对主流的Faster R-CNN，R-FCN及SSD三个算法在MS COCO数据集上的性能做了细致对比（见Huang et al. 2017），如下图所示。Facebook的FAIR也开源了基于Caffe2的目标检测平台Detectron，其实现了最新的Mask R-CNN，RetinaNet等检测算法，并且给出了这些算法的Baseline Results 。

参考文章：

Review of Deep Learning Algorithms for Object Detection 
Deep Learning for Object Detection: A Comprehensive Review
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD