【CV】一文讀懂目標(biāo)檢測(cè)
編者薦語(yǔ)
?目標(biāo)檢測(cè)（Object Detection）是計(jì)算機(jī)視覺(jué)（Computer Vision，CV）領(lǐng)域的一個(gè)熱門(mén)方向，廣泛應(yīng)用于自動(dòng)駕駛，工業(yè)檢測(cè)，視頻監(jiān)控及航空航天等領(lǐng)域，其基本流程是在給定圖像中找到關(guān)注目標(biāo)，確定目標(biāo)類(lèi)別并輸出相應(yīng)的坐標(biāo)位置（常使用矩形框）。
圖像分類(lèi)、目標(biāo)檢測(cè)、分割是計(jì)算機(jī)視覺(jué)領(lǐng)域的三大任務(wù)：
圖像理解的三個(gè)層次
1.分類(lèi)（Classification），對(duì)輸入的圖像進(jìn)行描述，從已有的類(lèi)標(biāo)簽集合中找出最符合的標(biāo)簽分配給該圖像。分類(lèi)雖然是最簡(jiǎn)單、最基礎(chǔ)的圖像理解任務(wù)，但卻為其他復(fù)雜任務(wù)奠定了基礎(chǔ)。
2.檢測(cè)（Detection），相對(duì)于分類(lèi)任務(wù)關(guān)心整體，給出整幅圖像的內(nèi)容描述，檢測(cè)更加關(guān)注目標(biāo)，需要同時(shí)獲得目標(biāo)的類(lèi)別及位置信息（Classification+Localization）。
3.分割（Segmentation），分割包括語(yǔ)義分割（Semantic Segmentation）和實(shí)例分割（Instance Segmentation），前者是對(duì)前背景分離任務(wù)的拓展，要求將圖中每一點(diǎn)像素標(biāo)注為某個(gè)物體類(lèi)別，同一物體的不同實(shí)例不需要單獨(dú)分割；?而后者是檢測(cè)任務(wù)的拓展，是目標(biāo)檢測(cè)+語(yǔ)義分割的綜合體，要求精確到物體的邊緣（相比目標(biāo)識(shí)別框更為精細(xì)），相比語(yǔ)義分割，實(shí)例分割可以標(biāo)注出圖像中的不同個(gè)體。
語(yǔ)義分割與實(shí)例分割對(duì)比
圖像分類(lèi)是將圖像劃分為單個(gè)類(lèi)別（一般對(duì)應(yīng)特征最為明顯的物體），但現(xiàn)實(shí)世界中的大部分圖像通常包含不只一個(gè)物體，如果強(qiáng)行使用分類(lèi)模型進(jìn)行分類(lèi)，得到的結(jié)果也并不一定準(zhǔn)確。諸如此類(lèi)的情況，就需要使用目標(biāo)檢測(cè)算法，目前學(xué)術(shù)和工業(yè)界主要將目標(biāo)檢測(cè)算法分成三類(lèi)：
1.傳統(tǒng)的目標(biāo)檢測(cè)框架
（1）候選區(qū)域選擇（采用不同尺寸、比例的滑動(dòng)窗口對(duì)圖像進(jìn)行遍歷）；
（2）對(duì)不同的候選區(qū)域進(jìn)行特征提取（SIFT、HOG等）；
（3）使用分類(lèi)器進(jìn)行分類(lèi)（SVM、Adaboost等）。
2.基于深度學(xué)習(xí)的Two?Stages目標(biāo)檢測(cè)框架（準(zhǔn)確度有優(yōu)勢(shì)）
此類(lèi)算法將檢測(cè)問(wèn)題分為兩個(gè)階段，第一階段生成大量可能含有目標(biāo)的候選區(qū)域（Region Proposal），并附加大概的位置信息；第二個(gè)階段對(duì)其進(jìn)行分類(lèi)，選出包含目標(biāo)的候選區(qū)域并對(duì)其位置進(jìn)行修正（常使用R-CNN、Fast R-CNN、Faster R-CNN等算法）。
3.基于深度學(xué)習(xí)的One Stage目標(biāo)檢測(cè)框架（速度有優(yōu)勢(shì)）
此類(lèi)檢測(cè)算法屬于端到端（End-to-End），不需要生成大量候選區(qū)域的階段，而是將問(wèn)題轉(zhuǎn)化為回歸（Regression）問(wèn)題處理，使用完整圖像作為輸入，直接在圖像的多個(gè)位置上回歸出該位置的目標(biāo)邊框及所屬類(lèi)別（常使用Yolo、SSD、CornerNet等算法）。
總結(jié)
未來(lái)的工作主要集中在速度與準(zhǔn)確度的博弈之中。
各種目標(biāo)檢測(cè)算法的詳細(xì)介紹請(qǐng)參考公眾號(hào)的其他文章。
—THE END—
往期精彩回顧