车辆行人检测学习笔记
1、目标检测&常见检测网络
目标检测:物体识别是要分辨出图片中有什么物体,输入是图片,输出是类别标签和概率。而目标检测不仅要检测图片中有什么物体,还要输出无异的外框(x,y,width,height)来定位物体的位置。
object detection,就是在给定的图片中精确找到物体所在位置,并标注出物体的类别。
object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。
然而,这个问题可不是那么容易解决的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,而且可以出现在图片的任何地方,更何况物体还可以是多个类别。
目前学术和工业界出现的目标检测算法分成3类:
1.传统的目标检测算法:
Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化;
2.候选区域/框+深度学习分类:通过提取候选区域,并对相应区域进行以深度学习方法为主的
分类的方案,如:
•R-CNN(Selective Search + CNN + SVM)
•SPP-net(ROI Pooling)
•Fast R-CNN(Selective Search + CNN + ROI)
•Faster R-CNN(RPN + CNN + ROI)
3.基于深度学习的回归方法:YOLO/SSD等方法
评价标准
1、IOU(Intersection over Union)
IOU是一种测量在特定数据集中检测相应物体准确度的一个标准。
IoU是一个简单的测量标准,只要是在输出中得出一个预测范围(bounding box)的任务都可以用IoU来进行测量。
为了可以使IoU用于测量任意大小形状的物体检测,我们需要:
1、(人为在训练集图像中标出要检测物体的大概范围)
2、我们的算法得出的结果范围
也就是说,这个标准用于测量真实和预测之间的相关度,相关度越高,该值越高。
比如通过上图来理解一下IoU的作用,绿框是ground-truth bounding box,红框是预测值,他们两个很显然是有差距的,用原始加减的方式肯定是比较不了的,我们需要用交并比的方法,如下公式:
IoU实际上就是面积的相除,交集/并集,举个例子,IOU=0.53定义为bad,IOU=0.76定义为nice,IOU=0.98定义为prefect(自己根据实际情况定义)
2、TP TN FP FN
TP TN FP FN里面一共出现了4个字母,分别是T F P N。
T是True;
F是False;
P是Positive;
N是Negative。
TP(True Positives)意思就是被分为了正样本,而且分对了。
TN(True Negatives)
意思就是被分为了负样本,而且分对了,
FP(False Positives)意思就是被分为了正样本,但是分错了(事实上这个样本是负样本)。
FN(False Negatives)意思就是被分为了负样本,但是分错了(事实上这个样本是正样本)。</