计算机视觉相关知识点,「深度学习之CV」计算机视觉目标检测知识点概述

目标检测是深度学习计算机视觉(CV)领域最重要的方向之一，常见的目标检测的知识总结如下。

目标检测

这张脑图我整理了一下，右边的是相对非常重要的点，在面试中也是经常涉及到的，左边可能有的领域方向有涉及，我研究的也不多，其中速度和准确率的平衡是在AI落地中要考虑的，这个我也涉及到了，后面有机会分享一下AI落地。

一文了解深度学习面试应该如何准备

「深度学习模型」模型量化压缩

「面经」腾讯微信支付面试记

「深度学习实战」基于Keras的cifar10图像识别模型训练及预测

「算法面试之C++」你不得不知道的C++知识栈(脑图分享请收藏)

01什么是目标检测

目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置，是计算机视觉领域的核心问题之一。

由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

目标检测示例

02计算机视觉(CV)图像识别四大类任务

分类-Classification

解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。

定位-Location

解决“在哪里？”的问题，即定位出这个目标的的位置。

检测-Detection

解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。

分割-Segmentation

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。

03目标检测要解决的核心问题

除了图像分类之外，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。

如果用矩形框来定义目标，则矩形有不同的宽高比。由于目标的宽高比不同，因此采用经典的滑动窗口+图像缩放的方案解决通用目标检测问题的成本太高。

04目标检测算法

目标检测算法

基于深度学习的目标检测算法主要分为两类：

1、Two stage目标检测算法

先进行区域生成(region proposal，RP)(一个有可能包含待检物体的预选框)，再通过卷积神经网络进行样本分类。

任务：特征提取—>生成RP—>分类/定位回归。

常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。

two stage算法

2、One stage目标检测算法

不用RP，直接在网络中提取特征来预测物体分类和位置。

任务：特征提取—>分类/定位回归。

常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。

one stage算法

05结束语

今天的分享内容就结束了。

我将与您分享AI算法面试所需的准备知识。实际上，这不仅限于深度学习和计算机视觉，还包括模型算法原理，模型训练，模型转换优化，模型部署和深度学习框架。此外，还有C ++，数据结构和编译底层等。

欢迎大家的关注，我们将共同探讨进步。

举报/反馈