45、深度计算机视觉：从目标检测到语义分割

深度计算机视觉：从目标检测到语义分割

1. 目标检测

在图像中对单个对象进行分类和定位是一项基础任务，但实际应用中，图像往往包含多个对象，如花卉数据集中的情况。目标检测就是对图像中的多个对象进行分类和定位的任务。

1.1 传统滑动 CNN 方法

过去，常见的做法是使用一个经过训练的、可对单个对象进行分类和定位的 CNN，然后将其在图像上滑动。例如，将图像划分为 6×8 的网格，让 CNN 在所有 3×3 的区域上滑动。当 CNN 位于图像左上角时，它可能检测到最左边玫瑰的一部分；向右移动一步后，又会再次检测到同一朵玫瑰。而且，由于对象大小各异，还需要在不同大小的区域上滑动 CNN，如在 4×4 的区域上。

这种方法虽然简单直接，但会多次检测到同一对象，只是位置略有不同。因此，需要进行后处理来去除不必要的边界框，常用的方法是非极大值抑制（Non-Max Suppression），具体步骤如下：
1. 为 CNN 添加一个额外的目标存在性输出，用于估计图像中是否存在花卉的概率。可使用 Sigmoid 激活函数，并通过二元交叉熵损失进行训练。然后去除目标存在性得分低于某个阈值的所有边界框，这样可以排除那些实际上不包含花卉的边界框。
2. 找到目标存在性得分最高的边界框，去除与它重叠度较高（如 IoU 大于 60%）的所有其他边界框。
3. 重复步骤 2，直到没有更多的边界框需要去除。

这种简单的目标检测方法效果不错，但需要多次运行 CNN，速度较慢。

1.2 全卷积网络（FCN）

全卷积网络（FCN）是一种更高效的滑动 CNN 的方法。其核心思想是将 CNN 顶部的密集