车辆行人检测学习笔记

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）。</