第四节：目标检测的算法基础课

第四节：目标检测的算法基础课

目标检测定义

给定一张图片→找到图像中关心的物体并预测类别

应用场景：

• 图像中的人脸定位
• 智慧城市——垃圾检测、非法占道、
• 自动驾驶——环境感知+路径规划和控制
• 计算机下游任务：OCR定位区域｜人体姿态估计（先检测后标注关键点）

图像分类VS目标检测

• 不同：前者是图像尺寸的，后者数量种类和存在的位置都不完全相同
• 相同：需要网络理解

检测方法

最简单的方法→滑窗

1. 设定一个窗口，
2. 窗口遍历图像中的所有位置，窗口内调用分类算法
3. 为了检测不同大小，形状的物体，可以使用不同大小不同长宽比的框来检测

缺点：这样的效率很低，计算成本高

改进思路1:使用启发性算法替换暴力遍历，但依赖外部算法，实现复杂

改进思路2:使用卷积来实现密集预测任务

【消除滑窗中重复部分的基本思路】

用卷积一次性计算所有特征，再取出特征图中对应位置的裁剪块，抠出来送到后面的全链接层

进一步，不同特征的感受野自然的形成一系列等距离分布的窗，在特征图使用1x1卷积进行密集预测，形成概率图

密集预测是隐式滑窗，但效率远高于滑窗

目标检测的基本范式

• 两阶段方法：以某种方式产生窗，再基于窗口内的特征进行预测
• 单阶段方法：在特征图上基于单点特征实现密集预测

目标检测演进

两阶段方法：R-CNN， Fast RCNN, Faster RCNN,

单阶段方法：yolo，ssd

多尺度技术→FPN（特征金字塔）

Transformer检测方法：DETR

基础知识

1. 框（Bounding Box）
2. 区域
3. 感兴趣区域（ROL）
4. 锚框（Anchor）在图像中预设一次额基准框
5. 交并比（IoU）：交集和并集之比
6. 置信度（confidence）：简单的可以认为，模型中分类部分认为的类别概率
7. 非极大值抑制（NMS）：滑窗短发对同一个物体会给出多个检测框，我们只需要保留置信度最高的框，即把不是极大值的框丢掉→密集预测下的后处理
8. 边界框回归：一般得到的框不是精准的最小框→多任务学习
9. 边界框编码：作为回归的优化操作

基于Anchor的改进

在原图上设置不同尺寸的基准框，基于特征独立预测每个锚框中是否包含有物体

1. 生成不同尺寸的锚框
2. 同一位置生成多个框包含不同的物体

正负样本不均衡

直接使用分类损失会因样本不均衡而失效，RetinaNet解决单阶段算法中的损失函数的问题

无锚框算法

不基于框训练，FCOS，CenterNet，将检测问题定义为以中心点表示的物体

DeTR

将问题定义为：特征序列→框序列的问题，用Transformer架构解决

目标检测的评估方法

• 召回率：衡量该检测到的地方是否检测到了，值越高，漏检越少
• 准确率：衡量检测到的地方预测结果是不是正确的

通常将检测框按照阈值降序排列，仅仅输出置信度较高的若干框