OpenMMlab AI实战营 打卡笔记DAY4

part1 目标检测

在计算机视觉众多的技术领域中，目标检测是一项非常基础的任务，图像分割、物体追踪、关键点检测等通常都要依赖于目标检测。概括来说即是对图像中感兴趣的物体进行类别预测与分类。

传统的目标检测分为三个阶段：目标区域选取，特征提取与目标分类

（1）目标框选取：通过移动窗遍历图像区域，同时用分类模型识别窗口内容

         缺点：进行了大量的冗余计算，耗时耗力

         改进：①使用selective search算法，利用图像分割产生初始区域，再利用相似度进行域合

                     （减少了冗余的计算，但是仍旧非常耗时）

                    ②使用卷积网络实现密集预测。

                用卷积一次性计算所有特征，再取出对应位置的特征完成分类。这样在特征图上滑窗，重叠区域值计算一次卷积特征，与窗的个数无关。然后在特征图上进行密集预测；密集预测实际上是一种隐式的滑窗方法，计算效率远高于滑窗。

（2）特征提取：在得到物体位置后，通常使用人工精心设计的提取器进行特征提取，如SIFT和HOG等。由于提取器包含的参数较少，并且人工设计的鲁棒性较低，因此特征提取的质量并不高。

（3）目标分类

---

part2 相关概念

①交并比

交并比（IoU）定义为两矩形框交集面积与并集面积之比，是矩形框重合程度的衡量指标

②置信度

模型认可自身预测结果的程度，通常需要为每个框预测一个置信度。大部分算法取分类模型预测物体属于特定类别的概率，部分算法让模型独立于分类单独预测一个置信度。我们倾向认可置信度高的预测结果。

③非极大值抑制

滑窗类算法通常会在物体周围给出多个相近的检测框 这些框实际指向同一物体，只需要保留其中置信度最高的.

④准确率和召回率

---

---

---