目标检测入门常见问题（深度学习 / 图像分类）

好喜欢吃红柚子

已于 2022-04-20 20:19:07 修改

阅读量4.5k

点赞数 2

分类专栏：计算机视觉文章标签：深度学习目标检测 cnn 计算机视觉

于 2022-04-20 17:23:12 首次发布

本文链接：https://blog.csdn.net/weixin_45662399/article/details/124298732

版权

计算机视觉专栏收录该内容

11 篇文章 5 订阅

订阅专栏

本文详细介绍了机器视觉中的目标检测任务，包括分类、定位、检测和分割四大类。重点讲解了R-CNN检测器的工作流程，涉及特征提取、分类、非极大抑制和边界框修正。此外，还阐述了关键评估指标IoU、准确率(P)、平均准确率(AP)和平均准确率均值(mAP)，以及它们在衡量模型性能中的作用。

摘要由CSDN通过智能技术生成

3. 非极大抑制(NMS）：去除冗余检测框

4. 修正：

目标检测常用指标

参考文献:

目标检测 - 搜索结果 - 知乎

目标检测算法研究_zzb103749的博客-CSDN博客_检测算法研究

机器视觉中关于目标检测有4大类任务

分类（Classification）：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）：定位出这个目标的的位置。
检测（Detection）：即定位出这个目标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。

回归问题和分类问题

要解决的目标检测任务，是一个分类问题和回归问题的叠加，

分类是区分目标属于哪个类别，回归用来定位目标所在的位置。

IoU(交并比)

判断预测框的正确程度

利用IoU，我们就能判断检测结果是否正确，常用的阈值是0.5。

如果IoU > 0.5，就认为是一个正确的检测，否则就认为是一个错误的检测。

准确率(P)

我们为模型生成的每一个检测边框计算其IoU值，利用该IoU数值和阈值，我们为图片中的每一个类计算其正确检测的数量A。对于每张图片，我们都有标准数据，可以告诉我们在图片中某个特定类别的真实数量B，那么A/B就是该类别的预测精确率.

平均准确率（AP）

让我们对验证集中的每张图片都计算它的精确率。假设我们的验证集中有 100 张图片，并且我们知道每张图片都包含了所有的类别（根据参考标准告诉我们的信息）。这样对于每个类别，我们会有 100 个精度率的值（每张图片一个值）。让我们对这些 100 个值进行平均。这个平均值叫做该类的平均精度（Average Precision）。

平均准确率均值（mAP）

假设我们有20个类别，对每一个类别，我们都进行相同的计算流程：IoU -> 精确率(Precision) -> 平均精度(Average Precision)。这样就有20个类别的平均进度，我们对所有类别的平均精度值计算其均值（average/mean）。这个新的值，就是我们的平均精度均值 mAP（Mean Average Precision）

双阶段检测器

图像的定位和识别在不同阶段进行

R-CNN

步骤

边框粗提取：使用SS（selective search）算法在一张图片上生成大约2000个候选区域
规整：对于每个候选区域，使用深度网络提取特征（4096维特征向量）
分类：特征送入每一类的SVM分类器中，判别是否属于该类（图片中有几个类就有几个分类器），使用非极大值抑制算法去除冗余框
修正定位：使用回归器精细修整候选框位置（使用bounding box regression来确定最佳的边界框）

1. 规整：

我们使用的是AlexnetCNN网络进行特征提取。在把2000个目标框输入CNN之前，需要把他们reset称为227*227的大小，可获得2000*4096维矩阵。

Alexnet特征提取部分包含了5个卷积层、2个全连接层，在Alexnet中p5层神经元个数为9216、 f6、f7的神经元个数都是4096，通过这个网络训练完毕后，最后提取特征每个输入候选框图片都能得到一个4096维的特征向量。

2. 分类：

R-CNN采用的是SVM二分类器，每个分类器负责分类一个类别，需要分类多少个类别就有多少个分类器。每个候选区域分别送入每个分类器及计算出来不同分类器的概率，选取最大的一个作为最终的类别。

3. 非极大抑制(NMS）：去除冗余检测框

目的：筛选候选区域框，目的是一个物体只保留一个最优的框，来抑制那些冗余的候选框。采用的候选框和真实框的占比，重叠越多说明该候选框越好。但是这个方法也是存在问题，当候选框大于真实框很多，并且能够完整框住物体，但是这类框严格意义上是不精确的，需要及进一步优化。

候选区域有 2000 个，所以很多会进行重叠。针对每个类，通过计算 IoU 指标，采取非极大性抑制，以最高分的区域为基础，剔除掉那些重叠位置的区域。

4. 修正：

输入是CNN输出的某一物体的特恒向量+该物体的标准真实框
输出是红色框要达到绿色框所需的位移值

个人理解：rcnn从2000个候选框中提取每个候选框的特征向量，然后使用SVM分类器对候选框中的物体进行分类，对于符合某一类的多个候选框，再使用非极大值抑制来对冗余的框进行剔除，从而找出能框出该物体的最合适的边框；最后使用回归分析来对rcnn选出来的框和真实的框进行修正，从而进一步精确框的位置和大小。

目标检测常用指标

FPS：每秒处理的图像帧数
IoU：重叠度，真实边框和预测边框的交集面积与并集面积的比值
P
R
AP：把每一个R的P都求出来，取最大的P作为该R的P，然后
mAP：所有类别的AP的均值

目标检测的指标AP与mAP - 知乎

关于AP和mAP（详见知乎）

训练样本分为正例样本和反例样本，其中正例样本是指待检测目标样本，反例样本指不是目标需要检测的样本。

准确率：所有预测为正例的值（TP+FP）为分母

召回率：所有预测出来的值（TP+FN）为分母

对应关系如图所示，Precious表示预测为正确结果中，由多少是对的，即反映预测准确的参数；但是只是预测准确率很高，但是很多没有预测出来那也是不行的（有100个样本，预测了1个正例，99个反例，而且这个1个正例预测是正确的，那么准确率是100%，单纯的这样来衡量是没有道理的，因为还有99个直接给否定了），所以Recall这个指标就是为了衡量这个问题，一共的正例的样本，成功预测出来多少个，当这两个指标都很高的时候，那么说明这个结果才是好的。