目标检测

awesome-object-detection darknet c实现的卷积神经网络 labelImg 图像标记

定义

目标检测（Object Detection）:任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小

衡量指标

• 精度(mAP)
• 速度(FPS)

任务

• 分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
• 定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
• 检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
• 分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。

算法

基于深度学习的目标检测算法综述

• two-stage:1.区域推荐 2.目标分类
  • R-CNN
  • Fast R-CNN:通过添加ROI Pooling层来减少冗余计算
  • Faster R-CNN:通过RPN网络进行区域推荐
• one-stage:一个网络一步到位
  • YOLO:
  • SSD:综合高低层进行检测,兼顾速度和精度

方法

• 滑动窗口:先训练一个卷积网络识别目标,然后定义窗口大小,一遍一遍的到卷积网络查看目标是否存在,缺点,计算量大
• 卷积的滑动窗口:

IoU 交并比

非极大值抑制

置信度(confidence scores)

边界框 * IoU 来确定预测位置的精度

胶囊网络(capsnet)

YOLO