深度學習和目標檢測系列教程 1-300：什么是對象檢測和常見的8 種基礎目標檢測算法

@Author：Runsen

由于畢業入了CV的坑，在內卷的條件下，我只好把別人卷走。

對象檢測

對象檢測是一種計算機視覺技術，用于定位圖像或視頻中的對象實例。對象檢測算法通常利用機器學習或深度學習來產生有意義的結果。當人類查看圖像或視頻時，我們可以在瞬間識別和定位感興趣的對象。對象檢測的目標是使用計算機復制這種智能。

比如，物體檢測是高級駕駛輔助系統 (ADAS) 背后的一項關鍵技術，它使汽車能夠檢測行駛車道或執行行人檢測以提高道路安全。對象檢測在視頻監控或圖像檢索系統等應用中也很有用。

在本文教程中，列出了必須知道的 8 種最佳目標檢測算法。

Fast R-CNN

用 Python 和 C++ (Caffe) 編寫的 Fast Region-Based Convolutional Network 方法或 Fast R-CNN 是一種用于對象檢測的訓練算法。該算法主要修復了 R-CNN 和 SPPnet 的缺點，同時提高了它們的速度和準確性。

Fast R-CNN 的優點：

比 R-CNN、SPPnet 更高的檢測質量（mAP）

訓練是單階段的，使用多任務損失

訓練可以更新所有網絡層

特征緩存不需要磁盤存儲

論文網址：http://openaccess.thecvf.com/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf

Region-based Convolutional Neural Networks (R-CNN)

基于區域的卷積網絡方法 (RCNN) 是區域提議與卷積神經網絡 (CNN) 的組合。R-CNN 有助于使用深度網絡定位對象，并僅使用少量帶注釋的檢測數據來訓練高容量模型。它通過使用深度 ConvNet 對目標提議進行分類，從而實現了出色的目標檢測精度。R-CNN 能夠擴展到數千個對象類別，而無需求助于近似技術，包括散列。

RCNN論文：https://openaccess.thecvf.com/content_cvpr_2014/papers/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.pdf

Faster R-CNN

Faster R-CNN 是一種類似于 R-CNN 的對象檢測算法。該算法利用區域提議網絡 (RPN)，該網絡以比 R-CNN 和 Fast R-CNN 更具成本效益的方式與檢測網絡共享全圖像卷積特征。Region Proposal Network 基本上是一個全卷積網絡，它同時預測對象邊界以及對象每個位置的 objectness 分數，并經過端到端訓練以生成高質量的區域提議，然后由 Fast R 使用-CNN 用于檢測物體

論文地址：http://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-networks.pdf

Histogram of Oriented Gradients (HOG)

定向梯度直方圖 (HOG) 基本上是一種特征描述符，用于檢測圖像處理和其他計算機視覺技術中的對象。定向梯度直方圖描述符技術包括在圖像的局部部分（例如檢測窗口、感興趣區域 (ROI) 等）中出現的梯度定向。類似 HOG 的特征的一個優點是它們的簡單性，并且更容易理解它們攜帶的信息。

詳情：https://software.intel.com/content/www/us/en/develop/documentation/ipp-dev-reference/top/volume-2-image-processing/computer-vision/feature-detection-functions/histogram-of-oriented-gradients-hog-descriptor.html

Region-based Fully Convolutional Network (R-FCN)

基于區域的全卷積網絡或 R-FCN 是一種用于對象檢測的基于區域的檢測器。與其他應用昂貴的按區域子網絡（例如 Fast R-CNN 或 Faster R-CNN）的基于區域的檢測器不同，這種基于區域的檢測器是完全卷積的，幾乎所有計算都在整個圖像上共享。

R-FCN 由共享的、完全卷積的架構組成，就像 FCN 的情況一樣，已知它比 Faster R-CNN 產生更好的結果。在該算法中，所有可學習的權重層都是卷積層，旨在將 ROI 分類為對象類別和背景。

論文地址：https://arxiv.org/pdf/1605.06409.pdf

Single Shot Detector (SSD)

Single Shot Detector (SSD) 是一種使用單個深度神經網絡檢測圖像中對象的方法。SSD 方法將邊界框的輸出空間離散為一組不同縱橫比的默認框。離散化后，該方法按特征圖位置進行縮放。Single Shot Detector 網絡結合了來自具有不同分辨率的多個特征圖的預測，以自然地處理各種大小的對象。

SSD的優點：

SSD 完全消除了提議生成和后續像素或特征重采樣階段，并將所有計算封裝在單個網絡中。

易于訓練并直接集成到需要檢測組件的系統中。

SSD 與使用額外對象提議步驟的方法相比具有競爭性的準確性，并且在為訓練和推理提供統一框架的同時速度要快得多。

論文地址：https://arxiv.org/pdf/1512.02325.pdf%EF%BC%89

Spatial Pyramid Pooling (SPP-net)

空間金字塔池（SPP-net）是一種網絡結構，無論圖像大小/比例如何，都可以生成固定長度的表示。據說金字塔池化對對象變形具有魯棒性，SPP-net 改進了所有基于 CNN 的圖像分類方法。使用 SPP-net，研究人員只需從整個圖像計算一次特征圖，然后將任意區域（子圖像）中的特征池化以生成用于訓練檢測器的固定長度表示。這種方法避免了重復計算卷積特征。

論文地址：https://arxiv.org/pdf/1406.4729.pdf)%C3%AC%20%CB%9C

YOLO

You Only Look Once 或 YOLO 是全球研究人員使用的對象檢測中的流行算法之一。據 Facebook AI Research 的研究人員稱，YOLO 的統一架構在方式上非常快。基礎 YOLO 模型以每秒 45 幀的速度實時處理圖像，而較小版本的網絡 Fast YOLO 每秒處理驚人的 155 幀，同時仍實現了其他實時檢測器的兩倍 mAP。當從自然圖像推廣到其他領域（如藝術品）時，該算法優于其他檢測方法，包括 DPM 和 R-CNN。’

論文地址：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf

在完成目標檢測任務，一般有兩種方法：

創建和訓練自定義對象檢測器。要從頭開始訓練自定義對象檢測器，需要設計一個網絡架構來學習感興趣對象的特征。還需要編譯一組非常大的標記數據來訓練 CNN。自定義對象檢測器的結果可能非常顯著。也就是說，需要在 CNN 中手動設置層和權重，這需要大量時間和訓練數據。

使用預訓練的對象檢測器。許多使用深度學習的對象檢測工作流利用遷移學習，這種方法使能夠從預訓練的網絡開始，然后針對應用程序對其進行微調。這種方法可以提供更快的結果，因為對象檢測器已經在數千甚至數百萬張圖像上進行了訓練。

機器學習 深度學習 神經網絡

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。