深度学习和目标检测系列教程 1-300：什么是对象检测和常见的8 种基础目标检测算法

@Author：Runsen

由于毕业入了CV的坑，在内卷的条件下，我只好把别人卷走。

对象检测

对象检测是一种计算机视觉技术，用于定位图像或视频中的对象实例。对象检测算法通常利用机器学习或深度学习来产生有意义的结果。当人类查看图像或视频时，我们可以在瞬间识别和定位感兴趣的对象。对象检测的目标是使用计算机复制这种智能。

比如，物体检测是高级驾驶辅助系统 (ADAS) 背后的一项关键技术，它使汽车能够检测行驶车道或执行行人检测以提高道路安全。对象检测在视频监控或图像检索系统等应用中也很有用。

在本文教程中，列出了必须知道的 8 种最佳目标检测算法。

Fast R-CNN

用 Python 和 C++ (Caffe) 编写的 Fast Region-Based Convolutional Network 方法或 Fast R-CNN 是一种用于对象检测的训练算法。该算法主要修复了 R-CNN 和 SPPnet 的缺点，同时提高了它们的速度和准确性。

Fast R-CNN 的优点：

比 R-CNN、SPPnet 更高的检测质量（mAP）

训练是单阶段的，使用多任务损失

训练可以更新所有网络层

特征缓存不需要磁盘存储

论文网址：http://openaccess.thecvf.com/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf

Region-based Convolutional Neural Networks (R-CNN)

基于区域的卷积网络方法 (RCNN) 是区域提议与卷积神经网络 (CNN) 的组合。R-CNN 有助于使用深度网络定位对象，并仅使用少量带注释的检测数据来训练高容量模型。它通过使用深度 ConvNet 对目标提议进行分类，从而实现了出色的目标检测精度。R-CNN 能够扩展到数千个对象类别，而无需求助于近似技术，包括散列。

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

Faster R-CNN

Faster R-CNN 是一种类似于 R-CNN 的对象检测算法。该算法利用区域提议网络 (RPN)，该网络以比 R-CNN 和 Fast R-CNN 更具成本效益的方式与检测网络共享全图像卷积特征。Region Proposal Network 基本上是一个全卷积网络，它同时预测对象边界以及对象每个位置的 objectness 分数，并经过端到端训练以生成高质量的区域提议，然后由 Fast R 使用-CNN 用于检测物体

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

Histogram of Oriented Gradients (HOG)

定向梯度直方图 (HOG) 基本上是一种特征描述符，用于检测图像处理和其他计算机视觉技术中的对象。定向梯度直方图描述符技术包括在图像的局部部分（例如检测窗口、感兴趣区域 (ROI) 等）中出现的梯度定向。类似 HOG 的特征的一个优点是它们的简单性，并且更容易理解它们携带的信息。

详情：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)

基于区域的全卷积网络或 R-FCN 是一种用于对象检测的基于区域的检测器。与其他应用昂贵的按区域子网络（例如 Fast R-CNN 或 Faster R-CNN）的基于区域的检测器不同，这种基于区域的检测器是完全卷积的，几乎所有计算都在整个图像上共享。

R-FCN 由共享的、完全卷积的架构组成，就像 FCN 的情况一样，已知它比 Faster R-CNN 产生更好的结果。在该算法中，所有可学习的权重层都是卷积层，旨在将 ROI 分类为对象类别和背景。

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

Single Shot Detector (SSD)

Single Shot Detector (SSD) 是一种使用单个深度神经网络检测图像中对象的方法。SSD 方法将边界框的输出空间离散为一组不同纵横比的默认框。离散化后，该方法按特征图位置进行缩放。Single Shot Detector 网络结合了来自具有不同分辨率的多个特征图的预测，以自然地处理各种大小的对象。

SSD的优点：

SSD 完全消除了提议生成和后续像素或特征重采样阶段，并将所有计算封装在单个网络中。

易于训练并直接集成到需要检测组件的系统中。

SSD 与使用额外对象提议步骤的方法相比具有竞争性的准确性，并且在为训练和推理提供统一框架的同时速度要快得多。

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

Spatial Pyramid Pooling (SPP-net)

空间金字塔池（SPP-net）是一种网络结构，无论图像大小/比例如何，都可以生成固定长度的表示。据说金字塔池化对对象变形具有鲁棒性，SPP-net 改进了所有基于 CNN 的图像分类方法。使用 SPP-net，研究人员只需从整个图像计算一次特征图，然后将任意区域（子图像）中的特征池化以生成用于训练检测器的固定长度表示。这种方法避免了重复计算卷积特征。

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

YOLO

You Only Look Once 或 YOLO 是全球研究人员使用的对象检测中的流行算法之一。据 Facebook AI Research 的研究人员称，YOLO 的统一架构在方式上非常快。基础 YOLO 模型以每秒 45 帧的速度实时处理图像，而较小版本的网络 Fast YOLO 每秒处理惊人的 155 帧，同时仍实现了其他实时检测器的两倍 mAP。当从自然图像推广到其他领域（如艺术品）时，该算法优于其他检测方法，包括 DPM 和 R-CNN。’

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

在完成目标检测任务，一般有两种方法：

创建和训练自定义对象检测器。要从头开始训练自定义对象检测器，需要设计一个网络架构来学习感兴趣对象的特征。还需要编译一组非常大的标记数据来训练 CNN。自定义对象检测器的结果可能非常显着。也就是说，需要在 CNN 中手动设置层和权重，这需要大量时间和训练数据。

使用预训练的对象检测器。许多使用深度学习的对象检测工作流利用迁移学习，这种方法使能够从预训练的网络开始，然后针对应用程序对其进行微调。这种方法可以提供更快的结果，因为对象检测器已经在数千甚至数百万张图像上进行了训练。

机器学习 深度学习 神经网络

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。