目標(biāo)檢測(cè)介紹

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域中最基礎(chǔ)且最具挑戰(zhàn)性的任務(wù)之一，其包含物體分類和定位。它為實(shí)例分割、圖像捕獲、視頻跟蹤等任務(wù)提供了強(qiáng)有力的特 征分類基礎(chǔ)。

傳統(tǒng)的目標(biāo)檢測(cè)方法包括預(yù)處理、區(qū)域提案、特征提取、特征選擇、特征分類和后處理六個(gè)階段，大多數(shù)檢測(cè)模型關(guān)注于物體特征的提取和區(qū)域分類算法的選擇。

Deformable Part?based Model（DPM）算法三次在PASCAL VOC目標(biāo)檢測(cè)競(jìng)賽上獲得冠軍，是傳統(tǒng)目標(biāo)檢測(cè)方法的巔峰之作. 然而在2008年至2012年期間，目標(biāo)檢測(cè)模型在PASCAL VOC數(shù)據(jù)集上的檢測(cè)準(zhǔn)確率逐漸達(dá)到瓶頸. 傳統(tǒng)方法的弊端也展現(xiàn)出來(lái)，主要包括：

算法在區(qū)域提案生成階段產(chǎn)生大量冗余的候選框且正負(fù)樣本失衡；

特征提取器如HOG、SIFT等未能充分捕捉圖像的高級(jí)語(yǔ)義特征和上下文內(nèi)容；

傳統(tǒng)檢測(cè)算法分階段進(jìn)行，整體缺乏一種全局優(yōu)化策略

目標(biāo)檢測(cè)數(shù)據(jù)集

目前主流的通用目標(biāo)檢測(cè)數(shù)據(jù)集有PASCAL VOC、ImageNet、MS COCO、Open Images和Objects365。

目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)

當(dāng)前用于評(píng)估檢測(cè)模型的性能指標(biāo)主要有幀率每秒（Frames Per Second，F(xiàn)PS）、準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall）、平均精度（Average Precision，AP）、平均 精度均值（mean Average Precision，mAP）等。

FPS即每秒識(shí)別圖像的數(shù)量，用于評(píng)估目標(biāo)檢測(cè)模型的檢測(cè)速度；

accuracy是正確預(yù)測(cè)類別的樣本數(shù)占樣本總數(shù)的比例；

precision是預(yù)測(cè)正確的正樣本數(shù)占所有預(yù)測(cè)為正樣本個(gè)數(shù)的比例；

recall是預(yù)測(cè)正確的正樣本數(shù)占所有真實(shí)值為正樣本個(gè)數(shù)的比例；

PR曲線是對(duì)應(yīng)precision和recall構(gòu)成的曲線；

AP是對(duì)不同召回率點(diǎn)上的精確率進(jìn)行平均，在PR曲線圖上表現(xiàn)為 PR 曲線下的面積；

mAP是所有類別AP的平均；

目標(biāo)檢測(cè)模型

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法根據(jù)有無(wú)區(qū)域提案階段劃分為雙階段模型和單階段檢測(cè)模型。

雙階段模型

區(qū)域檢測(cè)模型將目標(biāo)檢測(cè)任務(wù)分為區(qū)域提案生成、特征提取和分類預(yù)測(cè)三個(gè)階段。在區(qū)域提案生成階段，檢測(cè)模型利用搜索算法如選擇性搜索（SelectiveSearch，SS）、EdgeBoxes、區(qū) 域 提 案 網(wǎng) 絡(luò)（Region Proposal Network，RPN） 等在圖像中搜尋可能包含物體的區(qū)域。在特征提取階段，模型利用深度卷積網(wǎng)絡(luò)提取區(qū)域提案中的目標(biāo)特征。在分類預(yù)測(cè)階段，模型從預(yù)定義的類別標(biāo)簽對(duì)區(qū)域提案進(jìn)行分類和邊框信息預(yù)測(cè)。

單階段模型

單階段檢測(cè)模型聯(lián)合區(qū)域提案和分類預(yù)測(cè)，輸入整張圖像到卷積神經(jīng)網(wǎng)絡(luò)中提取特征，最后直接輸出目標(biāo)類別和邊框位置信息。這類代表性的方法有：YOLO、SSD和CenterNet等。

目標(biāo)檢測(cè)研究方向

目標(biāo)檢測(cè)方法可分為檢測(cè)部件、數(shù)據(jù)增強(qiáng)、優(yōu)化方法和學(xué)習(xí)策略四個(gè)方面 。其中檢測(cè)部件包含基準(zhǔn)模型和基準(zhǔn)網(wǎng)絡(luò)；數(shù)據(jù)增強(qiáng)包含幾何變換、光學(xué)變換等；優(yōu)化方法包含特征圖、上下文模型、邊框優(yōu)化、區(qū)域提案方法、類別不平衡和訓(xùn)練策略六個(gè)方面，學(xué)習(xí)策略涵蓋監(jiān)督學(xué)習(xí)、弱監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。

特征圖融合

特征圖是圖像經(jīng)過(guò)卷積池化層輸出的結(jié)果，大多數(shù)基準(zhǔn)檢測(cè)模型只在頂層特征圖做預(yù)測(cè)，這在很大程度上限制了模型的性能。

多層特征圖單層預(yù)測(cè)模型

分層預(yù)測(cè)模型

結(jié)合多層特征圖多層預(yù)測(cè)模型

上下文信息融合

在物體遮擋、背景信息雜亂或圖像質(zhì)量不佳的情況下，根據(jù)圖像的上下文信息能更有效更精確地檢測(cè)。

全局上下文信息

局部上下文信息

邊框優(yōu)化

當(dāng)前檢測(cè)模型在小目標(biāo)檢測(cè)表現(xiàn)不佳的主要原因是定位錯(cuò)誤偏多，包含定位偏差大和重復(fù)預(yù)測(cè)。

優(yōu)化邊框定位

NMS優(yōu)化

類別不均衡優(yōu)化

類別不平衡的主要矛盾是負(fù)樣本數(shù)遠(yuǎn)多于正樣本數(shù)，導(dǎo)致訓(xùn)練的深度模型效率低。

Online Hard Example Mining，OHEM

Focal Loss損失函數(shù)

審核編輯 ：李倩