初识基于深度学习的目标检测（无人驾驶感知）

最新推荐文章于 2024-05-06 23:28:38 发布

一个爱茶的工科男

最新推荐文章于 2024-05-06 23:28:38 发布

阅读量1.8k

点赞数 6

文章标签：算法自动驾驶深度学习卷积神经网络

本文链接：https://blog.csdn.net/weixin_38800901/article/details/123979597

版权

一、深度学习是什么？

百度百科的解释是这样子：深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。

说起人工神经网络，首先要特别感谢1981年诺贝尔医学奖的获得者大卫.休伯尔先生以及托斯坦.威泽尔先生。他们发现了视觉系统的信息处理方式，也就是大脑的可视皮层是分级的。

具体是怎么样呢？我们继续往下看。

我们的大脑皮层包括V1，V2，V4，PMC，PFC等区域，他们每一部分的功能是不一样的。

我们平时眼睛看到事物的过程大概是这样子：

1.视网膜（Retina）获取图像的像素点

2.低级的V1区提取边缘特征

3.V2区获取基本形状或目标的局部

4.高层V4得到整个目标（如判定为一张人脸）

5.更高层的PFC（前额叶皮层）进行分类判断等。

基于上面所说的大脑的分层结构，科学家设计出了神经网络系统，而深度学习就是一个让多层神经网络可以训练、能够运行起来，而演化出来的一系列新的结构和新的方法。

二、深度学习能做什么？

物体检测的任务是找出图像或视频中的感兴趣物体，同时检测出它们的位置和大小，是机器视觉领域的核心问题之一。

物体检测过程中有很多不确定因素，如图像中物体数量不确定，物体有不同的外观、形状、姿态，加之物体成像时会有光照、遮挡等因素的干扰，导致检测算法有一定的难度。

三、深度学习的实现过程

1. 深度学习的检测算法

基于上述所说的任务，程序猿们就开始设计各种深度学习网络以及算法来解决这个问题。现在比较主流的两类算法有一阶段（one-stage）和两阶段（two-stage）算法：

• one-stage 算法，包括 SSD ， YOLO 系列算法等等，仅使用一个 CNN 网络直接预测。 One-stage 算法速度快，但是准确性要低一些。

•

• two-stage 的 R-CNN 系列算法，包括 R-CNN ， Fast R-CNN, Faster R-CNN 等等，需要先使用启发式方法如选择性搜索算法（ Selective Search Algorithm ）或者 CNN 网络如 RPN 来产生 Region Proposal ，然后再在候选框上做目标分类与位置回归。 Two-stage 方案准确度高速度慢。

看到这里，我们可以注意到，无论是一阶段和两阶段算法，他们的核心都是CNN结构。那CNN是什么呢？

2. 卷积神经网络

CNN全称为卷积神经网络，在目标检测的过程中，我们可以把它看成一个黑盒子。输入一张图片，然后输出这张图片中的物体是各个类别的概率。

卷积神经网络主要包括卷积层、池化层、全连接层三部分，它是深度学习中最核心的部分。

典型的 CNN 由3个部分构成：

1. 卷积层

2. 池化层

3. 全连接层

卷积层负责提取图像中的局部特征；它主要是通过多个卷积核与原图的RGB 三个通道进行矩阵的点乘运算，得到一系列的特征值。这些特征值简单一点理解就是代表一定的形状。

比如我们现在要识别老鼠的屁股，我们可以设计这样一个卷积核，与原图进行卷积运算，当扫描到老鼠的屁股的时候，我们会得到一个比较大的数值。而当扫描到老鼠的耳朵的时候，它的结果是比较小的。根据这个结果，我们就能判断图片中包含了老鼠屁股这样一个特征。当然，这里的卷积核讲的比较抽象，在实际中，会用到很多卷积核。卷积核的取值在没有以往学习的经验下，可以由函数随机生成，再逐步训练调整。

池化层也称为下采样过程，它的主要作用是降低数据维度，避免过拟合。一般池化有最大池化以及平均池化。图中这个主要是用到了最大池化，第一个小方块中获取最大数字6，第二个取了8，同理，得到了一个新的特征矩阵。这里的过拟合是指在训练集上表现好，但在测试集上表现不好，泛化性能差。举个例子，比如说有个美女对我笑，然后我就判断这个美女喜欢我。这样子是不好的。