1. 目标检测问题定义
-
目标检测是对图片中的可变数量的目标进行查找和分类。
- 目标种类和数量问题(可变)
- 目标尺度问题(有大有小)
- 外在环境干扰问题(背景)
2. 目标检测问题方法
2.1 传统目标检测到深度学习目标检测方法的变迁
2.2 算法基本流程
3.传统目标检测方法:
-
Vila-Jones(人脸识别)
-
HOG+SVM(行人检测、OpenCV实现):HOG主要用于灰度图,与cell大小、map梯度有关
-
DPM(物体检测):基于HOG,是非深度学习中较优的一种方法。
-
- 特征提取:
- 底层特征:颜色、纹理等(手工设计的特征)
- 中层特征:底层特征经过处理(基于学习的特征)
- 高层特征:语义特征
主要是底层特征和中层特征用的较多
- NMS(非极大值抑制算法)
- 目的:消除多余的候选框,找到最佳的物体检测位置。
- 思想:选取邻域里分数最高的窗口,同时抑制分数低的窗口。
- Soft-NMS
- NMS的改进版,对得分低的不采取彻底抑制,而是进行调整。(提高了高检索率下的准确率)
- 在低检索率时仍能够提高物体检测性能。
4.深度学习目标检测方法:
- One-Stage(YOLO和SSD系列)
- Two-stage(Faster RCNN系列)
4.1 传统方法VS深度学习:
------
4.2 Two-stage基本介绍
- CNN卷积网络
- 2014年提出的R-CNN到faster RCNN
- 端到端的目标检测(RPN网络)
- 准确度高、速度相对one-stage慢