目标检测是计算机视觉和模式识别的重要研究方向，主要是确定图像中是否有感兴趣的目标存在，并对其进行探测和精确定位。传统的目标检测流程采用滑动窗口进行区域选择，然后采用 SIFT、HOG 等方法进行特征提取，最后采用 SVM、Adaboost 进行类别判断。但是传统的目标检测方法面临的主要问题有：特征提取鲁棒性差，不能反应光照变化、背景多样等情况；区域选择没有针对性，时间复杂度高，窗口冗余。基于深度学习的目标检测模型有 Faster RCNN，Yolo 和 Yolo2，SSD 等，对图片中的物体进行目标检测的应用示例如下所示：
从上图中可以看出，目标检测主要指检测一张图像中有什么目标，并使用方框表示出来；而实体分割要标出每个像素所属的类别。下图的实体分割，不仅把每个物体的方框标注出来，并且把每个方框中像素所属的类别也标记出来。下图中每个方框中包含的信息有目标所属类别，置信概率以及方框中每个像素的类别。
Kai
本文介绍了目标检测的重要性，传统方法的局限性，以及基于深度学习的Mask RCNN模型，该模型在COCO挑战赛中夺冠。文章详细阐述了Mask RCNN的结构和应用，包括环境配置、预训练模型使用、数据集的labelme工具标注，以及转换和训练过程。
订阅专栏 解锁全文
扫一扫
84
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
