1.传统目标检测算法的基本流程
2. 特征提取方法
2.1 基于底层特征
- 基于颜色的方法
- 基于文理的方法
- 基于形状的方法
- 基于语意的方法
2.2 基于中层特征
通过机器学习或特征挖掘之后提取出来的特征
- PCA特征
- LDA学习后的特征
2.3 基于高层次的特征
进一步抽象成语意特征,例如什么样的眼睛,什么风格的帽子
3. 分类器
对候选区域提取出来的特征进行分类
- 对于单分类问题,只需要区分当前窗口中目标和背景
- 对于多分类问题,首先需要区分当前窗口中是否是背景,如果不是背景,需要对目标再进行分类
4. NMS 非极大值抑制 Non-Maximum Suppression
- 目的:为了消除多余的框,找打最佳的物体检测位置
- 思想: 用分类器分类的时候,会得到目标的概率值,选取那些邻域里分数最高的窗口,同时一致那些分数低的窗口
- Soft-NMS
1)相邻区域内检测框嗯书进行调整而非彻底抑制,从而提高了高检测率情况下的准确率
2)在低检索率时仍然对物体的检测性能有明显提升
NMS是彻底抑制相邻的非选取的检测框
s i = { s i , i f i o u ( M , b i ) < N t 0 , i f i o u ( M , b i ) ≥ N t s_i=\begin{cases} s_i, \quad if \quad iou(M,b_i) < N_t\\ 0, \quad if \quad iou(M,b_i) \geq N_t \end{cases} si={si,ifiou(M,bi)<Nt0,ifiou(M,bi)≥Nt
soft-NMS 是对检测框进行调整
s i = { s i , i f i o u ( M , b i ) < N t s i ( 1 − i o u ( M , b i ) ) , i f i o u ( M , b i ) ≥ N t s_i=\begin{cases} s_i, \quad if \quad iou(M,b_i) < N_t\\ s_i(1-iou(M,b_i)), \quad if \quad iou(M,b_i) \geq N_t \end{cases} si={si,ifiou(M,bi)<Ntsi(1−iou(M,bi)),ifiou(M,bi)≥Nt
具体参考专业人士说明
https://www.cnblogs.com/makefile/p/nms.html