22、目标检测与超奇异积分计算方法

目标检测与超奇异积分计算方法

1. 目标检测方法概述

在目标检测领域，近年来多数方法倾向于采用滑动窗口方式，这种方式需对整个图像进行全面搜索，导致搜索资源极度浪费。为解决这一问题，提出了基于改进的示例支持向量机（IESVM）的目标检测方法。该方法主要包含两个步骤：
- 粗目标检测：使用通用目标度量来寻找可能包含目标的区域，此步骤不考虑目标的类别。
- 精确目标检测：提取上一步得到的区域，利用示例支持向量机（ESVM）在这些区域内进行更精确的检测。

2. 目标检测技术发展历程

早期，统计目标检测的一项重要进展是2005年引入的梯度直方图（HOG）描述符，并将其与支持向量机（SVM）结合。随后，许多工作围绕HOG + SVM策略展开，其中最成功的是可变形部件模型（DPM）。DPM通过添加部件模板并允许它们之间变形，扩展了基于HOG的模板。DPM的出现及其训练算法的改进，使PASCAL VOC目标检测挑战的性能显著提升。后来，众多工作致力于改进部件本身，如使用强监督部件或弱3D监督。另一个改进方向是在训练DPM时引入自下而上的分割先验。

然而，这些方法存在根本局限性，由于穷举搜索的复杂性，它们只能利用简单特征。因此，检测范式的一个重大转变是通过生成与类别无关的目标位置和尺度候选来完全绕过穷举搜索的需求。常用方法使用快速分割算法提出约1000个区域，旨在丢弃许多不太可能包含目标的窗口。这些目标提议方法使得更复杂的特征和学习算法得以应用。

3. 改进的示例支持向量机（IESVM）方法

• 通用目标度量 ：提出一种跨类别的通用目标度量，量化图像窗口覆盖任何类