第三章 目标检测

本文详细介绍了目标检测技术,包括目标定位、特征点检测、目标检测算法如滑动窗口和YOLO。重点讲解了YOLO算法的工作原理,包括交并比(IoU)和非极大值抑制,以及处理多目标重叠情况的Anchor Boxes策略。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

1 目标定位

2 特征点检测

3 目标检测

4 滑动窗口的卷积实现

1 单个滑动窗口的卷积

2 YOLO算法

3 交并比

4 YOLO算法-极大值抑制

5 YOLO算法-多目标重叠情况

5 候选区域


1 目标定位

目标检测的目标不同于前面几章的判断问题,我们不仅需要判断还需要确定物体的位置。

标准的CNN分类问题可以帮助我们判断图中是否有某个物体

原始图片经过卷积层后,softmax层会输出4 x 1向量来给出判断,但目标定位问题并不仅限于此

我们首先给出规定,(0,0)点为图像左上角点,(1,1)为图像右下角点。原始图片经过卷积层后,softmax会给出一个8 x 1向量,这个向量除了包含分类向量外,还包含了(bx, by),表示目标中心位置坐标;还包含了bh和bw,表示目标所在矩形区域的高和宽;还包含了Pc,表示矩形区域是目标的概率,数值在0~1之间,且越大概率越大。

输出的范例可表示为:

上图中pc=0的情况表示没有检测到目标,此时后面的七个参数没有实际意义。

对于目标检测问题 ,其损失函数如下所示:

当pc=1时:

当pc=0时:,此时由于没有检测到目标,因此只需关注检测的准确性即可。

2 特征点检测

检测目标的类别和位置可以通过对目标的关键特征点进行定位,比如人脸识别,可以对人脸的部分特征点进行定位检测:

这个模型检测人脸上的64处特征点,加上检测是否是脸的标志位。共有64x2+1=1

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值