作者：Nathan Zhao
編譯：ronghuaiyang

導讀

在本文中，我們將討論目標檢測模型和Objectness的基礎知識。

什么是物體檢測模型？

物體檢測模型本質上，正如其名稱所示，檢測物體。這意味著給定一個圖像，它可以告訴你物體在哪里，以及這個物體是什么。例如，在上面的圖像中，我們有許多物體，并且使用物體檢測模型，我們已經檢測出不同的物體在圖像中的位置。

這類模型有很多應用。舉幾個例子，物體檢測在以下方面很有用：

自動駕駛汽車，可以檢測到乘客、其他車輛、紅綠燈和停車標志。

安保，模型可以探測到公共區(qū)域的槍支或炸彈，并向附近的警察報警。

總的來說，這類模型非常有用，在過去幾年里，機器學習社區(qū)已經對它們進行了大量的研究。

物體檢測中區(qū)域建議的介紹

首先，讓我們了解一下物體檢測模型是如何工作的。首先，我們必須給出一個物體的建議位置。我們把這個建議的位置稱為我們感興趣的區(qū)域，通常顯示在一個邊界框(也稱為圖像窗口)中。根據(jù)物體檢測模型的類型，我們可以通過許多不同的方式來實現(xiàn)這一點。

樸素方法：我們將圖像分割成多個部分，并對每個部分進行分類。這種方法效率低下是因為必須對每個生成的窗口應用分類網絡(CNN)，導致計算時間長。

滑動窗口方法：我們預先確定好窗口比例(或“錨”)，然后滑過圖像。對于每個窗口，我們處理它并繼續(xù)滑動。與樸素方法類似，這種方法生成的窗口較多，處理時間也比較長。

選擇性搜索：使用顏色相似度，紋理相似度，和一些其他的圖像細節(jié)，我們可以用算法將圖像分割成區(qū)域。雖然選擇性搜索算法本身是耗時的，但這使得分類網絡的應用需求較少。

區(qū)域建議網絡：我們創(chuàng)建一個單獨的網絡來確定圖像中感興趣的區(qū)域。這使得我們的模型工作得更快，但也使得我們最終模型的準確性依賴于多個網絡。

上面列出的這些不同選項之間有一些區(qū)別，但一般來說，當我們加快網絡的處理時間時，我們往往會犧牲模型的準確性。

區(qū)域建議機制的主要問題是，如果建議的區(qū)域不包含物體，那么你的分類網絡也會去分類這個區(qū)域，并給出一個錯誤的標記。

那么，什么是Objectness？

Objectness本質上是物體存在于感興趣區(qū)域內的概率的度量。如果我們Objectness很高，這意味著圖像窗口可能包含一個物體。這允許我們快速地刪除不包含任何物體的圖像窗口。

如果一幅圖像具有較高的Objectness，我們期望它具有：

在整個圖像中具有唯一性

物體周圍有嚴格的邊界

與周圍環(huán)境的外觀不同

例如，在上面的圖像中，我們期望紅色框具有較低的Objectness，藍色框具有中等的Objectness，綠色框具有較高的Objectness。這是因為綠色的框“緊密”地圍繞著我們的物體，而藍色的框則很松散，而紅色的框根本不包含任何物體。

我們如何度量Objectness？

有大量的參數(shù)影響圖像窗口的objectness。

多尺度顯著性：這本質上是對圖像窗口的外觀獨特性的度量。與整個圖像相比，框中唯一性像素的密度越高，該值就越高。

顏色對比度：框內像素與建議圖像窗口周圍區(qū)域的顏色對比度越大，該值越大。

邊緣密度：我們定義邊緣為物體的邊界，這個值是圖像窗口邊界附近的邊緣的度量值。一個有趣的算法可以找到這些邊緣：https://cv-tricks.com/opencv-dnn/edge-detection-hed/。

超像素跨越：我們定義超像素是幾乎相同顏色的像素團。如果該值很高，則框內的所有超像素只包含在其邊界內。

超像素區(qū)域以不同顏色顯示。請注意，框內的超像素大部分不會泄漏到圖像窗口之外。因此，這個“超素跨界”值將會很高。

以上參數(shù)值越高，objectness越高。試著將上述參數(shù)與我們前面列出的具有高objectness的圖像的期望聯(lián)系起來。

英文原文：https://medium.com/@zhao.nathan/understanding-objectness-in-object-detection-models-5d8c9d032488
本文轉自：AI公園，作者：Nathan Zhao，編譯：ronghuaiyang，
轉載此文目的在于傳遞更多信息，版權歸原作者所有。

審核編輯：何安