目标检测

1、目标检测yolo算法

(1)、R-CNN横空出世R-CNN(RegionCNN，区域卷积神经网络)可以说是利用深度学习进行目标检测的开山之作，作者RossGirshick多次在PASCALVOC的目标检测竞赛中折桂，2010年更是带领团队获得了终身成就奖，如今就职于Facebook的人工智能实验室(FAIR)。

(2)、FSSD(7)：FSSD检测算法的网络结构如下图所示，同样，FSSD也是使用不同阶段不同分辨率的featuremaps进行预测，相比于SSD，FSSD多了一个特征融合处理，将网络较低层的特征引入到网络的较高层，在检测的时候能够同时考虑不同尺度的信息，使得检测更加准确。

(3)、Transformerencoderblock

(4)、打开./configs/_base_/schedules/schedule_1x.py：

(5)、(15)DaiJ,LiY,HeK,etal.R-FCN:ObjectDetectionviaRegion-basedFullyConvolutionalNetworks(J).20

(6)、论文：SegmentationsisAllYouNeed

(7)、作者统计了VisDrone2021数据集，发现它包含了很多非常小的目标，所以增加了一个用于微小物体检测的预测头。结合其他3个预测头，4头结构可以缓解剧烈的目标尺度变化带来的负面影响。如图3所示，添加的预测头(Head1)是由low-level、高分辨率的featuremap生成的，对微小物体更加敏感。增加检测头后，虽然增加了计算和存储成本，但对微小物体的检测性能得到了很大的提高。

(8)、金字塔特征层级可以看做是一个特征图化的图像金字塔。模型一般浅层的特征图较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，可将前面较大的特征图和后面较小的特征图都用来做检测。

(9)、图像分类：只需要判断输入的图像中是否包含感兴趣物体。

(10)、损失函数为分类误差+检测误差+分割误差，分类误差和检测(回归)误差是FasterR-CNN中的，分割误差为MaskR-CNN中新加的。对于每个MxM大小的ROI区域，mask分支有KxMxM维的输出(K是指类别数量)。对于每一个像素，都是用sigmod函数求二值交叉熵，也即对每个像素都进行逻辑回归，得到平均的二值交叉熵误差Lmask。通过引入预测K个输出的机制，允许每个类都生成独立的mask，以避免类间竞争，这样就能解耦mask和种类预测。对于每一个ROI区域，如果检测得到属于哪一个分类，就只使用该类的交叉熵误差进行计算，也即对于一个ROI区域中KxMxM的输出，真正有用的只是某个类别的MxM的输出。如下图所示：

(11)、目标检测中的Bootstrap是指一组训练技术，训练从一小部分背景样本开始，然后在训练过程中迭代地添加新的错分类背景。在早期的目标检测器中，最初引入bootstrap的目的是减少对数百万个背景样本的训练计算量。后来成为DPM和HOG检测器中解决数据不平衡问题的标准训练技术。

(12)、3TPH-YOLOv1OverviewofYOLOv5

(13)、在无人机捕获的图像中，大覆盖区域总是包含令人困惑的地理元素。使用CBAM可以提取注意区域，以帮助TPH-YOLOv5抵制令人困惑的信息，并关注有用的目标对象。

(14)、如何构建网络回归目标即如何区分正负样本使其与卷积神经网络的输出相对应，最简单直接的方法是直接回归物体的相关信息(类别和坐标)，稍微复杂一些，在回归坐标时可以回归物体坐标相对于anchor的偏移量等等。对于One-Stage检测方法主要有如下三种典型的回归目标构建方式，其中代表方法分别为YOLO系列算法、SSD系列算法以及CornerNet目标检测算法。

(15)、通常在算法中需要对数值进行处理，一般为归一化操作，即：

(16)、训练完成后，生成的模型检查点和日志文件，存放在./work_dirs目录下。

(17)、接着，ShaoqingRen(依然与Girshick合著，目前在Fackbook研究中心)发表了FasterR-CNN，这是R-CNN的第三次迭代。

(18)、将256×256的图片分别输入以Darknet-ResNet-10ResNet-152和Darknet-53为基础网络的分类模型中，实验得到的结果如下图所示。可以看到Darknet-53比ResNet-101的性能更好，而且速度是其5倍，Darknet-53与ResNet-152性能相似但速度几乎是其2倍。注意到，Darknet-53相比于其它网络结构实现了每秒最高的浮点计算量，说明其网络结构能更好的利用GPU。

(19)、WSWA-Seg(论文中的方法)在COCO数据集上的AR

(20)、下面展开进行介绍生成候选区域使用SelectiveSearch(选择性搜索)方法对一张图像生成约2000-3000个候选区域，基本思路如下：(1)使用一种过分割手段，将图像分割成小区域(2)查看现有小区域，合并可能性最高的两个区域，重复直到整张图像合并成一个区域位置。优先合并以下区域：

2、目标检测和目标识别的区别

(1)、在计算机视觉领域中，最为人所知的问题便是图像分类问题。

(2)、针对不同的目标检测模型，有3种不同的ensembleboxes方法:非最大抑制(NMS)、Soft-NMS、WeightedBoxesFusion(WBF)。

(3)、(1)区域选择：这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的:时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。

(4)、其中，t和t是预测的位置和groundtruth边界框，p和p是它们的类别概率。IOU{a,a}是anchora与其groundtrutha之间的IOU。η是一个IoU阈值，通常取0.如果anchor没有覆盖任何目标，其定位损失不计入最终损失。

(5)、我们暂时不会详细深入地介绍RPNs的运行原理，但抽象地说，它基于一个叫“物体性”(objectness)的分数输出对象。这些物体被用在Rol集中层和全连接层，从而实现分类的目标。

(6)、设置好布防时间和所需要的联动方式，点击“应用”；

(7)、项目地址：https://github.com/WeijingShi/Point-GNN

(8)、想象一下，如果我们想为盲人设计一款导盲产品，盲人过马路时系统摄像机拍到了如下的图像，那么需要完成那些视觉任务呢？

(9)、他们将目标检测作为索引图像内容的处理流程之一。比如，你可以在不同的背景下找到某个特定的钱包。这比GoogleImage的反向搜索引擎只是找到类似的图像更强大。图1：相似查找：我们应用目标检测方法定位包或鞋子这些产品。在这张图片中，用户可以点击图片中的目标对象便可以查找类似的产品。

(10)、MaskR-CNN的这两个分支是并行的，因此训练简单，仅比FasterR-CNN多了一点计算开销。

(11)、除了上述的全局像素增强方法外，还有一些比较独特的数据增强方法。一些研究者提出了将多幅图像结合在一起进行数据增强的方法，如MixUp、CutMix和Mosaic。

(12)、针对无人机捕获场景的目标检测是最近比较流行的一项任务。由于无人机在不同高度飞行，目标尺度变化较大，这样给模型的优化也带来了很大的负担。此外，在无人机进行高速低空飞行时，也会带来密集目标的运动模糊问题。

(13)、(2)Kesci大赛项目：2020年全国水下机器人(湛江)大赛-水下目标检测算法赛：https://mp.weixin.qq.com/s/Mh8HAjIOVZ3KxWNxciq1mw

(14)、修改学习率lr和迭代轮数total_epochs：

(15)、候选框推理模块(ProReModule)：使用全连接图对候选框进行推理。

(16)、项目地址：https://github.com/DengPingFan/SINet/

(17)、局部上下文是指要检测的目标周围区域的视觉信息。长期以来，人们一直认为局部上下文有助于改进目标检测。在21世纪初，Sinha和Torralba发现，包含局部上下文区域(如面部边界轮廓)可以显著提高人脸检测性能。Dalal和Triggs还发现，加入少量的背景信息可以提高行人检测的准确性。最近的基于深度学习的检测器也可以通过简单地扩大网络的感受野或目标proposal的大小来根据局部上下文进行改进。

(18)、构建目标统计模型，如Eigenfaces，是目标检测历史上第一批基于学习的方法。1991年，M.Turk等人利用Eigenfacedecomposition在实验室环境中实现了人脸的实时检测。与当时基于规则或模板的方法相比，统计模型通过从数据中学习特定任务的知识，能够更好地全面描述目标的外观。

(19)、PrROIPool：即PreciseROIPooling，其考虑了Proposal对应格子区域的每个值，采用积分的方式进行求解，而ROIAlign只Sample对应格子区域的几个值。

(20)、https://arxiv.org/abs/132524?source=post_page

3、目标检测算法

(1)、常用的Neck聚合块有：FPN、PANet、NAS-FPN、BiFPN、ASFF、SAM。这些方法的共性是反复使用各种上下采样、拼接、点和或点积来设计聚合策略。Neck也有一些额外的块，如SPP,ASPP,RFB,CBAM。

(2)、为up-sample的多层中的每一层都接上voting模块，整合多个尺度的特征；

(3)、如上图所示，原始图像尺寸大小是128×1经过卷积网络之后的特征图变为尺寸大小变为25x这时，如果想要圈出与原始图像中左上方15×15像素对应的区域，那么如何在特征图中选择相对应的像素呢？从上面两张图可以看出，原始图像中的每个像素对应于特征图的25/128像素，因此，要从原始图像中选择15×15像素，则只需在特征图中选择93×93像素(15×25/128=93)，在RoIAlign中会使用双线性插值法准确得到93像素的内容，这样就能很大程度上，避免了错位问题。修改后的网络结构如下图所示(黑色部分为原来的FasterR-CNN，红色部分为MaskR-CNN修改的部分)

(4)、(9)ImprovedRegularizationofConvolutionalNeuralNetworkswithCutout：https://arxiv.org/abs/17004552

(5)、如下图所示，MaskR-CNN在FasterR-CNN中添加了一个全卷积网络的分支(图中白色部分)，用于输出二进制mask，以说明给定像素是否是目标的一部分。所谓二进制mask，就是当像素属于目标的所有位置上时标识为其它位置标识为0

(6)、小目标难以检测的原因：分辨率低，图像模糊，携带的信息少。由此所导致特征表达能力弱，也就是在提取特征的过程中，能提取到的特征非常少，这不利于我们对小目标的检测。

(7)、由同一张图像生成的多张不同分辨率图像的集合，由大到小摞在一起，就是图像金字塔。图像金字塔可以通过对图像不断地进行梯次向下采样，直至达到某个终止条件而获得，这个过程看似十分简单，但是它可以十分有效的从多分辨率的角度来解释图像。图像金字塔的底部是待处理图像的高分辨率表示，而顶部是图像的低分辨率近似。

(8)、CornerNet(10)：如下图所示，CornerNet检测算法巧妙的将检测框转换成了关键点，即一个目标框可以由两个点(左上角和右下角)来表示，那么对于一个目标物体在预测的时候就可以直接预测两个类别的关键点，然后对关键点进行组合即可生成对应的目标框。

(9)、为了解决上述2个问题，本文提出了TPH-YOLOvTPH-YOLOv5在YOLOv5的基础上增加了一个predictionheads来检测不同尺度的目标。然后通过探索Self-Attention的预测潜力使用了TransformerPredictionHeads(TPH)代替原来的predictionheads。同时作者还集成了卷积块Attention模型(CBAM)来寻找密集场景下的注意力区域。

(10)、SoftNMS(17)：SoftNMS相对于NMS的改进即每次并不是直接排除掉和已选框重叠大于一定阈值的框，而是以一定的策略降低对应框的得分，直到低于某个阈值，从而不至于过多删除拥挤情况下定位正确的框。

(11)、FastR-CNN大幅提速继2014年的R-CNN推出之后，RossGirshick在2015年推出FastR-CNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。FastR-CNN和R-CNN相比，训练时间从84小时减少到5小时，测试时间从47秒减少到0.32秒，并且在PASCALVOC2007上测试的准确率相差无几，约在66%-67%之间。

(12)、2Multi-ModelEnsembleMethod

(13)、在这里我们将集中介绍其中两个最流行且目前依然被广泛使用的模型。

(14)、话虽如此，我们还是有一些不错的公开数据可以使用，下面的列表就是目前可用的主要数据集。

(15)、基于YOLOv作者只在头部部分应用Transformerencoderblock形成transformerPredictionhead(TPH)和backbone端。因为网络末端的特征图分辨率较低。将TPH应用于低分辨率特征图可以降低计算和存储成本。此外，当放大输入图像的分辨率时可选择去除早期层的一些TPH块，以使训练过程可用。

(16)、HardNegativeMining：即对于大量的负样本只挑取其中适当比例的损失较大的负样本来计算损失，其余损失较小的负样本忽略不计，防止负样本过多干扰网络学习；

(17)、AnchorFree方法已经不新鲜了，相信这些问题早已经让一些一线工作的研究人员头疼很久了。那么为什么难？

(18)、下面，让我们直接用数据和事实来带大家看看这款开源项目具体有什么过人之处吧！

(19)、R-CNN(11)：R-CNN生成Proposals的方法是传统方法SelectiveSearch，主要思路是通过图像中的纹理、边缘、颜色等信息对图像进行自底向上的分割，然后对分割区域进行不同尺度的合并，每个生成的区域即一个候选Proposal，如下图所示。这种方法基于传统特征，速度较慢。

(20)、在VisDrone2021数据集上的大量实验表明，TPH-YOLOv5在无人机捕获场景上具有良好的性能和可解释性。在DET-test-challenge数据集上，TPH-YOLOv5的AP结果为18%，比之前的SOTA方法(DPNetV3)提高了81%。在VisDroneChallenge2021中，TPH-YOLOv5与YOLOv5相比提高了约7%。

4、目标检测和语义分割的区别

(1)、那么为什么不直接做分割？分割存在哪些问题？

(2)、创新趋势也是决定自己主攻方向时所必须考虑的重要因素，对于很多同学来说，这也是一个困惑点，因为大部分同学对于创新趋势并没有较强的把握能力，此时就需要与导师和专业人士进行沟通了。

(3)、(19)JiangB,LuoR,MaoJ,etal.AcquisitionofLocalizationConfidenceforAccurateObjectDetection(J).20

(4)、图13：CascadeR-CNNProposal网络示意图

(5)、YOLOv1虽然检测速度快，但在定位方面不够准确，并且召回率较低。为了提升定位准确度，改善召回率，YOLOv2在YOLOv1的基础上提出了几种改进策略

(6)、需要说明的是，个人任务One-Stage检测算法和Two-Stage检测算法的第一个Stage并没有太大区别，在某种程度上Two-Stage检测算法的第一个Stage可以看成是One-Stage检测算法，而第二个Stage只是对前一个Stage的结果做进一步精化，上述所有思路本人觉得都适用于Two-Stage检测算法的第一个Stage。除此之外针对于Two-Stage检测框架设计的相关损失函数同样适用于One-Stage检测算法，如针对遮挡问题设计的相关loss，具体不再阐述。

(7)、(10)BagofFreebiesforTrainingObjectDetectionNeuralNetworks：https://arxiv.org/abs/19004103

(8)、理想的情况，当然是预测框与真实框重叠越多越好，如果两者完全重叠，则交集与并集面积相同，此时IoU等于

(9)、CVPR2019论文:Augmentationforsmallobjectdetection提到了一些应对小目标检测的方法，笔者结合这篇论文以及查阅其它资料，对小目标检测相关技巧在本文进行了部分总结。

(10)、运算规则2：通过侧向连接取左侧的输出C4(size=14×14)，并将所得的M5通过最近邻值插值法进行2倍上采样(size=14×14)，再将C4与上采样的结果进行加和，所得结果可标记为M4(size=14×14)。

(11)、读到这里，你应该对我们面临的挑战和对解决它们的办法有了一定的了解，接下来我们将概述一下在过去的几年深度学习方法的发展历程。

(12)、部分应用场景上，对识别距离是有一定的要求的，也就是对微小目标的识别。一般来说，这个需求比较小众，只有一些特殊的应用场景上需要。比如，高速上的目标识别。

(13)、论文链接：https://arxiv.org/pdf/19013300vpdf

(14)、优点：算法实现简单，程序设计复杂度低，运行速度快；动态环境自适应性强，对场景光线变化不敏感。

(15)、计算机视觉属于人工智能领域的传统六大研究方向之如果本科期间有一定的机器学习、深度学习基础，那么主攻计算机视觉方向往往会更容易一些，如果没有机器学习基础，在入学前应该重点学习一下机器学习。

(16)、论文中的方案兼顾了高平均查准率(AP)和高召回率(AR)：

(17)、比YOLOvYOLOv5更强的PP-YOLOv2

(18)、MaskR-CNN便是这种“图像分割”的重要模型。

(19)、Girshick,Ross.”FastR-CNN”20

(20)、Neck的设计是为了更好地利用Backbone提取的特征。对Backbone提取的特征图进行不同阶段的再处理和合理使用。通常，一个Neck由几个自底向上的路径和几个自顶向下的路径组成。Neck是目标检测框架中的关键环节。最早的Neck是使用上下取样块。该方法的特点是没有特征层聚合操作，如SSD，直接跟随头部后的多层次特征图。

5、目标检测最新进展

(1)、适配Linux、Windows、NVJetson等多系统多平台，同时提供Python预测和C++预测，额外适配TensorRT，支持TensorRT动态尺寸输入及TensorRTINT8量化预测,模型预测加速性能满分！

(2)、在proposal之间也使用GCN来增强特征的学习能力。

(3)、目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。由于深度学习的广泛运用，目标检测算法得到了较为快速的发展，本文广泛调研国内外目标检测方法，主要介绍基于深度学习的两种目标检测算法思路，分别为One-Stage目标检测算法和Two-Stage目标检测算法。

(4)、https://arxiv.org/abs/19011172v1?source=post_page

(5)、FPN结构与标准的单特征图输出的卷积神经网络进行比较：单特征图输出的卷积神经网络只输出最后一次特征图，容易丢失小目标的细节信息。FPN结构与图像金字塔进行比较：FPN结构利用深度卷积神经网络中固有的多尺度特征图，不需要对原始图片做多级缩放，极大地减少了计算量。FPN结构与金字塔特征层级进行比较：SSD中的金字塔层级没有使用原始骨干网络中的底层特征图，造成了部分细节信息的丢失，且特征图是随着正向传播过程直接生成的，深层特征图的语义信息无法与浅层结构信息进行结合。而FPN不仅保留了底层特征图的细节信息，还通过“由上至下”的结构将深层的语义信息与浅层的几何细节信息进行融合。

(6)、局部和遮挡：局部的目标可能会出现不检出或者检测框不准的问题

(7)、在ROIPooling上做文章，文章SINet:AScale-InsensitiveConvolutionalNeuralNetworkforFastVehicleDetection认为小目标在pooling之后会导致物体结构失真，于是提出了新的Context-AwareRoIPooling方法。

(8)、但“回归”不好做，计算量太大、收敛时间太长，应该想办法转为“分类”，这时容易想到套框的思路，即取不同大小的“框”，让框出现在不同的位置，计算出这个框的得分，然后取得分最高的那个框作为预测结果，如下图所示：

(9)、某边界框的置信度定义为：某边界框的confidence=该边界框存在某类对象的概率pr(object)*该边界框与该对象的groundtruth的IOU值，若该边界框存在某个对象pr(object)=否则pr(object)=0。由于一幅图中大部分网格中是没有物体的，这些网格中的边界框的confidence置为0，相比于有物体的网格，这些不包含物体的网格更多，对梯度更新的贡献更大，会导致网络不稳定。为了平衡上述问题，YOLO损失函数中对没有物体的边界框的confidenceerror赋予较小的权重，记为noobj，对有物体的边界框的confidenceerror赋予较大的权重。在pascalVOC训练中noobj=0.有物体的边界框的confidenceerror的权重设为

(10)、RCNN系列模型(FasterRCNN,MaskRCNN,CascadeRCNN等)在PaddleDetection进行训练，比mmDetection和Detectron2在更短的时间获得更高的精度！

(11)、自YOLOv4发布的40余天后，Ultralytics公司开源了非官方的YOLOv其完全基于PyTorch实现。值得注意的是，每个图像的推理时间达到140FPS，并且YOLOv5的权重文件大小仅为YOLOv4的1/YOLOv5更快，也更小巧！

(12)、https://arxiv.org/abs/1502325?source=post_page

(13)、传统目标检测的方法一般分为三个阶段:首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。

(14)、第一个问题用InstanceAware可以解决，但为了完成InstanceAware，计算量可能增加；第二个问题几乎无解；第三个问题主要还是YOLO太出名，darknet写的是真的好，而后得过且过。

(15)、(10)LawH,DengJ.CornerNet:DetectingObjectsasPairedKeypoints(J).20

(16)、多任务中也可以提供更加精细的结构化信息，比如，目标的运动趋势、目标的多属性的预测、3Dbox、目标距离。

(17)、(17)WBF开源代码：https://github.com/ZFTurbo/Weighted-Boxes-Fusion

(18)、D2Det:TowardsHigh-QualityObjectDetectionandInstanceSegmentation

(19)、HOG检测器，DPM，甚至是深度学习时代的Overfeat检测器。

(20)、NMS是一项很神奇的工作，目标检测领域用NMS作为选框策略已经有大概几十年了，因为没有一项工作能超越它。然而如上所述，既然边界框本身并不稳健，选出的框再优秀也无济于事。更何况选出的框也不会格外优秀，因为真实世界里不可能有一个具体的阈值来控制所有的场景，例如遮挡问题。现实世界中的遮挡问题十分复杂，挡了一部分和挡了一大半完全不是同一种情况。既然如此，用一个单一的阈值怎么可能解决问题？事实上，在之前的工作中，动态调整NMS的SoftNMS、动态调整IoU的CascadeRCNN方案都取得了很不错的结果，但是前者依然回避了「复杂遮挡」的复杂性，后者参数量激增，速度慢到难以想象。

(1)、YOLO系列算法：如下图所示，其中左图取自YOLOv1右图取自YOLOv2需要说明的是YOLOv1相比于YOLOv2在坐标回归的时候没有anchor的概念。YOLO系列算法在构建回归目标时一个主要的区别就是如果将图像划分成SxS的格子，每个格子只负责目标中心点落入该格子的物体的检测，如果没有任何目标的中心点落入该格子，则为负样本。

(2)、(SIGAI推荐：经典卷积神经网络结构GoogleNet,ResNet,DenseNet，SENet的原理)

(3)、第一个是2001年由PaulViola和MichaelJones在论文《RobustReal-timeObjectDetection》里提出的Viola-Jones框架。这个方法快速且相对简单，使得低处理能力的傻瓜相机得以进行实时的面部识别。

(4)、FocalLoss：由于大多数都是简单易分的负样本(属于背景的样本)，使得训练过程不能充分学习到属于那些有类别样本的信息；其次简单易分的负样本太多，可能掩盖了其他有类别样本的作用。FocalLoss希望那些hardexamples对损失的贡献变大，使网络更倾向于从这些样本上学习。

(5)、201更新：适配MMDetectionv16

(6)、我们不打算深入介绍它是如何工作和训练的，但是总体来说，该算法是通过使用哈尔特征(Haarfeatures)生成许多(可能几千个)简单的二元分类器来实现的。这些分类器通过一个多尺度级联滑动窗进行评估，一旦遇到错误的分类结果则提前结束。

(7)、YOLOv4总结了以上各种调优技巧，从中寻找最优组合。并在训练过程中，验证了Bag-of-Freebies和Bag-of-Specials对于YOLOv4的影响。

(8)、将事先存有人脸识别库图片的U盘插到设备上，选中人脸识别库，点击“添加”。选择U盘中的一张图片，点击“导入”，可导入单张图片；或者选择包含图片的文件夹，点击“导入”，可批量导入图片。

(9)、多任务的融合，比如：组合分割任务(Mask-RCNN)、场景属性预测

(10)、(7)LiZ,ZhouF.FSSD:FeatureFusionSingleShotMultiboxDetector(J).20

(11)、Bottom-uppathway即为由下至上的通路，也就是FPN结构图左侧的结构，它等价于标准ResNet骨干网络。首先回顾一下ResNet网络结构：

(12)、贪婪选择背后的思想简单直观：对于一组重叠检测结果，选择得分最大的边界框，并根据预定义的重叠阈值(如0.5)删除相邻框。上述处理在以贪婪的方式迭代执行。

(13)、为了更加精确地识别目标，实现在像素级场景中识别不同目标，利用“图像分割”技术定位每个目标的精确像素，如下图所示(精确分割出人、汽车、红绿灯等)：

(14)、也就是说，原图的框变成椭圆，而后分成了普通的分割形状、边界以及边界交集三个不同的标签。作者拿这些标签来训练，解决了不InstanceAware和复杂遮挡问题，而后只需要把一个二值化的输出做一个轮廓追踪(ContourTracing)，把分割的结果加个边(注意，这个标注是算法直接就能跑出来的，不是标的。)

(15)、从COCO上的统计图可以发现，小目标的个数多，占到了43%，但是含有小目标的图片只有82%，大目标所占比例为24%，但是含有大目标的图像却有28%。这说明有一半的图像是不含小目标的，大部分的小目标都集中在一些少量的图片中。这就导致在训练的过程中，模型有一半的时间是学习不到小目标的特性的。

(16)、基于GConv的U形网络(GU-net)；

(17)、另一个传统方法是使用方向梯度直方图(HOG)特征和支持向量机来分类。这个方法依然需要一个多尺度滑动窗，尽管它比Viola-Jones表现优异，但速度却慢了很多。

(18)、随着“objectproposal”对滑动窗口检测的革命性变革，并迅速主导基于深度学习的检测器，2014-2015年，许多研究者开始提出以下问题：objectproposal在检测中的主要作用是什么?是为了提高准确度，还是为了提高检测速度?为了回答这个问题，一些研究人员试图削弱proposal的作用，或者只是对CNN特征进行滑动窗口检测，但都没有得到令人满意的结果。在one-stage检测器和(下面的的)“deepregression”技术兴起了。

(19)、在读研期间我一直强调要基于自身的能力特点来选择方向，而能力特点往往就体现在自身的科研基础上，所以对于本科期间有一定的科研经历的同学来说，到读研期间会有更明确的方向，也更容易找到与自身能力特点相契合的课题方向。

(20)、(11)Girshick,R.,Donahue,J.,Darrell,T.,Malik,J.:Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation.InCVPR20

(1)、背景建模法，包含时间平均模型、混合高斯模型、动态纹理背景、PCA模型、时一空联合分布背景模型

(2)、之前的目标检测方法需要先产生候选区再检测的方法虽然有相对较高的检测准确率，但运行速度较慢。

(3)、例如目前有3个分类：猫、狗、人，检测得到当前ROI属于“人”这一类，那么所使用的Lmask为“人”这一分支的mask。

(4)、最后，还有两篇论文不得不提：SingleShotDetector(SSD)和Region-basedFullyConvolutionalNetworks(R-FCN)。前者在YOLO的基础上使用多尺寸的卷积特征图使得在结果和速度上都有提升。后者基于FasterR-CNN的架构，但是只使用了卷积网络。

(5)、在2015年FasterRCNN之后，边界框回归不再作为一个单独的后处理模块，而是与检测器集成在一起，以端到端的方式进行训练。同时，边界框回归已经发展到基于CNN特征直接预测边界框。

(6)、图中可以看到，分子中黄色区域为红bbox和绿bbox的交集，分母中黄+红+绿区域为红bbox和绿bbox的并集，两者之比即为iou。

(7)、(15)“数据引领飞粤云端”2019广东工业智造创新大赛-决赛答辩直播-《布匹疵点智能识别赛道》：https://tianchi.aliyun.com/course/video?liveId=41117

(8)、ResNet18网络的原始输入大小是(224×224)，随后经由stride=2的卷积层或池化层，将特征图大小逐步缩放至(112×112)、(56×56)、(28×28)、(14×14)、(7×7)(忽略最后的Averagepool、Fc、Softmax层)，此时的特征图根据分辨率由大到小一次排开，就形成了一个特征金字塔的结构。此时可将这每个bolck的输出按顺序标记为{C1,C2,C3,C4,C5}。

(9)、•使用候选区域方法(最流行的一个是’SelectiveSearch’)提取可能的物体

(10)、MixUp从训练图像中随机选取2个样本进行随机加权求和，样本的标签也对应于加权求和。不同于通常使用零像素mask遮挡图像的遮挡工作，CutMix使用另一个图像的区域覆盖被遮挡的区域。Mosaic是CutMix的改进版。拼接4幅图像，极大地丰富了被检测物体的背景。此外，batchnormalization计算每层上4张不同图像的激活统计量。

(11)、在目标检测任务中，通常取IoU≥0.认为召回。如果IoU阈值设置更高，召回率将会降低，但定位框则更加精确。

(12)、边界框聚合是针对NMS的另一种技术，其思想是将多个重叠的边界框组合或聚类成一个最终的检测结果。

(13)、自20世纪中期以来，傻瓜相机开始通过更为高效的自动对焦来检测人面。虽然这是一种比较浅显的目标检测应用，但是这种方法同样适用于其他类型的目标检测，我们稍后将会介绍。

(14)、(18)Softer-NMS:RethinkingBoundingBoxRegressionforAccurateObjectDetection.arxivid:18008545

(15)、在获取Proposals之后，如何获取更好的ROIfeatures是Two-Stage检测算法第二个Stage的关键，只有输入比较鲁棒的情况下才能得到较好的输出。对于这个问题主要考虑的有两个方向，其一是如何获取Proposals的features，其二是得到Proposals的features之后如何align到同一个尺度。首先对于第一个问题主要有如下几种策略：

(16)、这种方法效率很低，实在太耗时了。那有没有高效的目标检测方法呢？

(17)、值得庆贺的是，不像MobileNet、剪枝、空洞卷积、ROIAlign/ROIPooling、NMS以上任何一点的是，低精度推断、带有跳过连接的UNetwith、Hourglass以及类似CurveGCN(https://arxiv.org/pdf/190068pdf，一作来自UToronto，这篇的指标已经完全只看IoU了)的设计都能够在集成电路上高效运行，较少地依赖访存通信资源、存储器件峰值速度，而且最终得到的结果是方便在网络API上获得的。如果对我们的工作感兴趣，欢迎阅读我们的工作。

(18)、最终在test-set-challenge上取得了18的好成绩，远远高于VisDrone2020的最高成绩

(19)、首先，选题对于读研期间的科研体验有比较直接的影响，不同的课题方向要积累不同的知识结构，要面对不同的科研场景和交流场景，同时对于后续的读博和就业也有比较直接的影响。

(20)、R-CNN：在原图裁剪Proposals对应区域，然后align到同一个尺度，分别通过对每一个alignalign之后的原图区域通过神经网络提取特征；

转载请注明：二七美文阅读网 » 精选目标检测和目标识别的区别140句