目标检测

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