2024年【深度学习】（四）目标检测(3)，2024年最新三幅图给你弄懂EventBus核心原理

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

如何从图像中解析出可供计算机理解的信息，是机器视觉的中心问题。深度学习模型由于其强大的表示能力，加之数据量的积累和计算力的进步，成为机器视觉的热点研究方向。

计算机视觉的四大任务：目标分类，目标检测，语义分割，实例分割。难度逐渐递增，对图像特征的提取也更加精细。

• 分类（Classification）：即是将图像结构化为某一类别的信息，用事先确定好的类别(string)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实现大规模应用的任务。
• 检测（Detection）：分类任务关心整体，给出的是整张图片的内容描述，而检测则关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息。相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因而，检测模型的输出是一个列表，列表的每一项使用一个数据组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。
• 分割（Segmentation）：分割包括语义分割（semantic segmentation）和实例分割（instance segmentation），前者是对前背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓（相比检测框更为精细）。分割是对图像的像素级描述，它赋予每个像素类别（实例）意义，适用于理解要求较高的场景，如无人驾驶中对道路和非道路的分割。
  

二、目标检测的发展历程

目标检测发展的20年来，从传统的目标检测算法到基于深度学习的目标检测算法，目标检测的精度和速度不断提高，发展历程如下图所示：

• 传统方法 ❤️ ：区域选取+特征提取+特征分类。在多尺度图像上应用多尺度窗口进行滑窗，每个roi位置提取出固定长度的特征向量，然后采用SVM进行学习判别。这在小数据上比较奏效；传统方法的工作主要聚焦于设计更好的特征描述子，将roi信息映射为embedding feature。本文不做介绍。
  
• Two-stage Detectors（两阶段目标检测器） 🧡 ：诸如R-CNN，Fast R-CNN，Faster R-CNN到最新的Mask Scoring R-CNN等网络结构，都属于Two-stage检测方法。目标检测-上篇中介绍。
  
• One-stage Detectors（单阶段目标检测器） 💛 ：从最早的OverFeat到现在的YOLO，SSD，RetinaNet，YOLOv2，CornerNet等都属于one stage目标检测方法。目标检测-下篇中介绍。
  

对比：双阶段精度高但速度慢，单精度速度快但精度稍逊。

三、区域卷积神经网络（R-CNN）系列

1.R-CNN

随着CNN网络的出现，目标检测进入了深度学习时代，目标检测技术越来越倾向于网络结构、损失函数和优化方法的设计，人们更加关注使用CNN网络自动提取出图像特征，代替了原来的手工设计特征。目标检测从“冷兵器”时代，过渡到“热兵器”时代，从两阶段目标检测算法到单阶段目标检测算法，再到现在的Anchor Free算法趋势，伴随着硬件计算水平的不断提高，目标检测技术的发展进入了“快车道”。首先介绍深度学习的开山之作—R-CNN算法。
论文链接： Rich feature hierarchies for accurate object detection and semantic segmentation
传统方法–>R-CNN

整体的思路非常简洁明了，不需要像传统算法使用滑动窗口的方式在整张图像上滑动来获取Region Proposal（候选框），而只选择一部分候选框，然后在这些窗口上进行CNN网络。

R-CNN算法流程如下：

1. 输入一张图片。
2. 使用selective search的方法选出来约2000个Region Proposal，这种方法得到的候选框数量比传统方法少的多。大致是采用图像分割的算法得到的图像块，分割得到候选框。
3. 将每一个候选框图片块resize为227*227的大小，然后输入到一个AlexNet