检测网络
名词解释:
1. IOU
简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。具体我们可以简单的理解为: 即检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集,即为检测的准确率 IoU
2. mAP
mAP是一种物体检测器准确率的度量方法,是不同的召回率值下的最大精确度的平均值。听起来很复杂,但实际上是挺简单的,我们举个例子来说明。在这之前,我们先快速的回顾一下精确度,召回率和IoU。
精确率度量的是你的预测的准确率,也就是你预测出来的正样本里有多少是正确的。
召回率度量的是找到所有的正样本的能力,比如,你可以在top K的预测里,找到80%的可能的正样本。
3. RoI
机器视觉图像处理过程中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,英文缩写为ROI(region of interest),部分图像处理软件中也写作AOI(area of interest),通俗来说,也可以叫做显示区域开窗。在Halcon、OpenCV、MATLAB等机器视觉软件上通常会用到各种算子(Operator)和函数来求得ROI,并进行图像的下一步处理。在图像处理领域,ROI是从图像中选择的一个图像区域,这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定你想读的目标,可以减少处理时间,增加精度。
检测-目标检测发展变化
目标-检测算法
NMS(Non-Max Suppression):抑制较小置信度的bounding box
A.将所有框按置信度排序,选择最高的一个
B.剩余所有框中删掉与当前选中框IoU>threshold的
C.将当前选择框记录,重复A-C,直到没有可以删除的框
作用:
• 筛选检测框
• 合并重叠过大的框
• 减少误报
R-CNN
Fast R-CNN
Faster R-CNN
R-FCN
YOLO
SSD
图像分割
语义分割(semantic segmentation):语义分割是指将图像中的每个像素归于类标签的过程,这些类标签可以包括一个人、汽车、鲜花、一件家具等。
实例分割(Instance segmentation ):实例分割方式有点类似于物体检测,不过物体检测一般输出的是 bounding box,实例分割输出的是一个mask。实例分割不需要对每个像素进行标记,它只需要找到感兴趣物体的边缘轮廓就行。
分割的发展
mIU: mean Intersection over Union
cocoAP: coco AveragePrecision
语义分割:
FCN:
FCN-CRF:
实例分割:
FCIS
Mask R-CNN
Mask x R-CNN