0 前言

?? 優(yōu)質(zhì)競賽項(xiàng)目系列，今天要分享的是

?? 機(jī)器視覺 opencv 深度學(xué)習(xí)目標(biāo)檢測

該項(xiàng)目較為新穎，適合作為競賽課題方向，學(xué)長非常推薦！

??學(xué)長這里給一個(gè)題目綜合評(píng)分(每項(xiàng)滿分5分)

• 難度系數(shù)：3分
• 工作量：3分
• 創(chuàng)新點(diǎn)：4分

?? 更多資料, 項(xiàng)目分享：

https://gitee.com/dancheng-senior/postgraduate文章來源地址http://www.zghlxwxcb.cn/news/detail-849468.html

2 目標(biāo)檢測概念

普通的深度學(xué)習(xí)監(jiān)督算法主要是用來做分類，如圖1所示，分類的目標(biāo)是要識(shí)別出圖中所示是一只貓。

在ILSVRC（ImageNet Large Scale Visual Recognition
Challenge)競賽以及實(shí)際的應(yīng)用中，還包括目標(biāo)定位和目標(biāo)檢測等任務(wù)。

其中目標(biāo)定位是不僅僅要識(shí)別出來是什么物體（即分類），而且還要預(yù)測物體的位置，位置一般用邊框（bounding box）標(biāo)記，如圖2所示。

而目標(biāo)檢測實(shí)質(zhì)是多目標(biāo)的定位，即要在圖片中定位多個(gè)目標(biāo)物體，包括分類和定位。

比如對(duì)圖3進(jìn)行目標(biāo)檢測，得到的結(jié)果是好幾只不同動(dòng)物，他們的位置如圖3中不同顏色的框所示。

3 目標(biāo)分類、定位、檢測示例

簡單來說，分類、定位和檢測的區(qū)別如下：

• 分類：是什么？

• 定位：在哪里？是什么？（單個(gè)目標(biāo)）

• 檢測：在哪里？分別是什么？（多個(gè)目標(biāo)）

目標(biāo)檢測對(duì)于人類來說并不困難，通過對(duì)圖片中不同顏色模塊的感知很容易定位并分類出其中目標(biāo)物體，但對(duì)于計(jì)算機(jī)來說，面對(duì)的是RGB像素矩陣，很難從圖像中直接得到狗和貓這樣的抽象概念并定位其位置，再加上有時(shí)候多個(gè)物體和雜亂的背景混雜在一起，目標(biāo)檢測更加困難。

但這難不倒科學(xué)家們，在傳統(tǒng)視覺領(lǐng)域，目標(biāo)檢測就是一個(gè)非常熱門的研究方向，一些特定目標(biāo)的檢測，比如人臉檢測和行人檢測已經(jīng)有非常成熟的技術(shù)了。普通的目標(biāo)檢測也有過很多的嘗試，但是效果總是差強(qiáng)人意。

4 傳統(tǒng)目標(biāo)檢測

傳統(tǒng)的目標(biāo)檢測一般使用滑動(dòng)窗口的框架，主要包括三個(gè)步驟：

1 利用不同尺寸的滑動(dòng)窗口框住圖中的某一部分作為候選區(qū)域；

2 提取候選區(qū)域相關(guān)的視覺特征。比如人臉檢測常用的Harr特征；行人檢測和普通目標(biāo)檢測常用的HOG特征等；

3 利用分類器進(jìn)行識(shí)別，比如常用的SVM模型。

傳統(tǒng)的目標(biāo)檢測中，多尺度形變部件模型DPM（Deformable Part Model是出類拔萃的，連續(xù)獲得VOC（Visual Object
Class）2007到2009的檢測冠軍，2010年其作者Felzenszwalb
Pedro被VOC授予”終身成就獎(jiǎng)”。DPM把物體看成了多個(gè)組成的部件（比如人臉的鼻子、嘴巴等），用部件間的關(guān)系來描述物體，這個(gè)特性非常符合自然界很多物體的非剛體特征。DPM可以看做是HOG+SVM的擴(kuò)展，很好的繼承了兩者的優(yōu)點(diǎn)，在人臉檢測、行人檢測等任務(wù)上取得了不錯(cuò)的效果，但是DPM相對(duì)復(fù)雜，檢測速度也較慢，從而也出現(xiàn)了很多改進(jìn)的方法。正當(dāng)大家熱火朝天改進(jìn)DPM性能的時(shí)候，基于深度學(xué)習(xí)的目標(biāo)檢測橫空出世，迅速蓋過了DPM的風(fēng)頭，很多之前研究傳統(tǒng)目標(biāo)檢測算法的研究者也開始轉(zhuǎn)向深度學(xué)習(xí)。

基于深度學(xué)習(xí)的目標(biāo)檢測發(fā)展起來后，其實(shí)效果也一直難以突破。比如文獻(xiàn)[6]中的算法在VOC
2007測試集合上的mAP只能30%多一點(diǎn)，文獻(xiàn)[7]中的OverFeat在ILSVRC 2013測試集上的mAP只能達(dá)到24.3%。2013年R-
CNN誕生了，VOC 2007測試集的mAP被提升至48%，2014年時(shí)通過修改網(wǎng)絡(luò)結(jié)構(gòu)又飆升到了66%，同時(shí)ILSVRC
2013測試集的mAP也被提升至31.4%。

R-CNN是Region-based Convolutional Neural
Networks的縮寫，中文翻譯是基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)，是一種結(jié)合區(qū)域提名（Region
Proposal）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的目標(biāo)檢測方法。Ross Girshick在2013年的開山之作《Rich Feature Hierarchies
for Accurate Object Detection and Semantic
Segmentation》[1]奠定了這個(gè)子領(lǐng)域的基礎(chǔ)，這篇論文后續(xù)版本發(fā)表在CVPR 2014[2]，期刊版本發(fā)表在PAMI 2015[3]。

其實(shí)在R-CNN之前已經(jīng)有很多研究者嘗試用Deep Learning的方法來做目標(biāo)檢測了，包括OverFeat[7]，但R-
CNN是第一個(gè)真正可以工業(yè)級(jí)應(yīng)用的解決方案，這也和深度學(xué)習(xí)本身的發(fā)展類似，神經(jīng)網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)都不是什么新概念，但在本世紀(jì)突然真正變得可行，而一旦可行之后再迅猛發(fā)展也不足為奇了。

R-CNN這個(gè)領(lǐng)域目前研究非?；钴S，先后出現(xiàn)了R-CNN[1,2,3,18]、SPP-net[4,19]、Fast R-CNN[14, 20]
、Faster R-CNN[5,21]、R-FCN[16,24]、YOLO[15,22]、SSD[17,23]等研究。Ross
Girshick作為這個(gè)領(lǐng)域的開山鼻祖總是神一樣的存在，R-CNN、Fast R-CNN、Faster
R-CNN、YOLO都和他有關(guān)。這些創(chuàng)新的工作其實(shí)很多時(shí)候是把一些傳統(tǒng)視覺領(lǐng)域的方法和深度學(xué)習(xí)結(jié)合起來了，比如選擇性搜索（Selective
Search)和圖像金字塔（Pyramid）等。

5 兩類目標(biāo)檢測算法

深度學(xué)習(xí)相關(guān)的目標(biāo)檢測方法也可以大致分為兩派：

基于區(qū)域提名的，如R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN；

端到端（End-to-End），無需區(qū)域提名的，如YOLO、SSD。

目前來說，基于區(qū)域提名的方法依然占據(jù)上風(fēng)，但端到端的方法速度上優(yōu)勢明顯，后續(xù)的發(fā)展拭目以待。

5.1 相關(guān)研究

5.1.1 選擇性搜索

目標(biāo)檢測的第一步是要做區(qū)域提名（Region Proposal），也就是找出可能的感興趣區(qū)域（Region Of Interest,
ROI）。區(qū)域提名類似于光學(xué)字符識(shí)別（OCR）領(lǐng)域的切分，OCR切分常用過切分方法，簡單說就是盡量切碎到小的連通域（比如小的筆畫之類），然后再根據(jù)相鄰塊的一些形態(tài)學(xué)特征進(jìn)行合并。但目標(biāo)檢測的對(duì)象相比OCR領(lǐng)域千差萬別，而且圖形不規(guī)則，大小不一，所以一定程度上可以說區(qū)域提名是比OCR切分更難的一個(gè)問題。

區(qū)域提名可能的方法有：

一、滑動(dòng)窗口?；瑒?dòng)窗口本質(zhì)上就是窮舉法，利用不同的尺度和長寬比把所有可能的大大小小的塊都窮舉出來，然后送去識(shí)別，識(shí)別出來概率大的就留下來。很明顯，這樣的方法復(fù)雜度太高，產(chǎn)生了很多的冗余候選區(qū)域，在現(xiàn)實(shí)當(dāng)中不可行。

二、規(guī)則塊。在窮舉法的基礎(chǔ)上進(jìn)行了一些剪枝，只選用固定的大小和長寬比。這在一些特定的應(yīng)用場景是很有效的，比如拍照搜題APP小猿搜題中的漢字檢測，因?yàn)闈h字方方正正，長寬比大多比較一致，因此用規(guī)則塊做區(qū)域提名是一種比較合適的選擇。但是對(duì)于普通的目標(biāo)檢測來說，規(guī)則塊依然需要訪問很多的位置，復(fù)雜度高。

三、選擇性搜索。從機(jī)器學(xué)習(xí)的角度來說，前面的方法召回是不錯(cuò)了，但是精度差強(qiáng)人意，所以問題的核心在于如何有效地去除冗余候選區(qū)域。其實(shí)冗余候選區(qū)域大多是發(fā)生了重疊，選擇性搜索利用這一點(diǎn)，自底向上合并相鄰的重疊區(qū)域，從而減少冗余。

區(qū)域提名并不只有以上所說的三種方法，實(shí)際上這塊是非常靈活的，因此變種也很多，有興趣的讀者不妨參考一下文獻(xiàn)[12]。

選擇性搜索的具體算法細(xì)節(jié)[8]如算法1所示。總體上選擇性搜索是自底向上不斷合并候選區(qū)域的迭代過程。

?

    輸入: 一張圖片


    輸出：候選的目標(biāo)位置集合L
    
    算法：
    
    1: 利用過切分方法得到候選的區(qū)域集合R = {r1,r2,…,rn}
    
    2: 初始化相似集合S = ?
    
    3: foreach 鄰居區(qū)域?qū)?ri,rj) do
    
    4:     計(jì)算相似度s(ri,rj)
    
    5:     S = S  ∪ s(ri,rj)
    
    6: while S not=? do
    
    7:     得到最大的相似度s(ri,rj)=max(S)
    
    8:     合并對(duì)應(yīng)的區(qū)域rt = ri ∪ rj
    
    9:     移除ri對(duì)應(yīng)的所有相似度：S = S\s(ri,r*)
    
    10:    移除rj對(duì)應(yīng)的所有相似度：S = S\s(r*,rj)
    
    11:    計(jì)算rt對(duì)應(yīng)的相似度集合St
    
    12:    S = S ∪ St
    
    13:    R = R ∪ rt
    
    14: L = R中所有區(qū)域?qū)?yīng)的邊框

算法1 選擇性搜索算法

從算法不難看出，R中的區(qū)域都是合并后的，因此減少了不少冗余，相當(dāng)于準(zhǔn)確率提升了，但是別忘了我們還需要繼續(xù)保證召回率，因此算法1中的相似度計(jì)算策略就顯得非常關(guān)鍵了。如果簡單采用一種策略很容易錯(cuò)誤合并不相似的區(qū)域，比如只考慮輪廓時(shí)，不同顏色的區(qū)域很容易被誤合并。選擇性搜索采用多樣性策略來增加候選區(qū)域以保證召回，比如顏色空間考慮RGB、灰度、HSV及其變種等，相似度計(jì)算時(shí)既考慮顏色相似度，又考慮紋理、大小、重疊情況等。

總體上，選擇性搜索是一種比較樸素的區(qū)域提名方法，被早期的基于深度學(xué)習(xí)的目標(biāo)檢測方法（包括Overfeat和R-CNN等）廣泛利用，但被當(dāng)前的新方法棄用了。

5.1.2 OverFeat

OverFeat是用CNN統(tǒng)一來做分類、定位和檢測的經(jīng)典之作，作者是深度學(xué)習(xí)大神之一Yann Lecun在紐約大學(xué)的團(tuán)隊(duì)。OverFeat也是ILSVRC
2013任務(wù)3（分類+定位）的冠軍得主。

OverFeat的核心思想有三點(diǎn)：

1 區(qū)域提名：結(jié)合滑動(dòng)窗口和規(guī)則塊，即多尺度（multi-scale)的滑動(dòng)窗口；

2
分類和定位：統(tǒng)一用CNN來做分類和預(yù)測邊框位置，模型與AlexNet[12]類似，其中1-5層為特征抽取層，即將圖片轉(zhuǎn)換為固定維度的特征向量，6-9層為分類層(分類任務(wù)專用)，不同的任務(wù)（分類、定位、檢測）公用特征抽取層（1-5層），只替換6-9層；

3
累積：因?yàn)橛昧嘶瑒?dòng)窗口，同一個(gè)目標(biāo)對(duì)象會(huì)有多個(gè)位置，也就是多個(gè)視角；因?yàn)橛昧硕喑叨龋粋€(gè)目標(biāo)對(duì)象又會(huì)有多個(gè)大小不一的塊。這些不同位置和不同大小塊上的分類置信度會(huì)進(jìn)行累加，從而使得判定更為準(zhǔn)確。

OverFeat的關(guān)鍵步驟有四步：

1
利用滑動(dòng)窗口進(jìn)行不同尺度的區(qū)域提名，然后使用CNN模型對(duì)每個(gè)區(qū)域進(jìn)行分類，得到類別和置信度。從圖中可以看出，不同縮放比例時(shí)，檢測出來的目標(biāo)對(duì)象數(shù)量和種類存在較大差異；

2 利用多尺度滑動(dòng)窗口來增加檢測數(shù)量，提升分類效果，如圖3所示；

3 用回歸模型預(yù)測每個(gè)對(duì)象的位置，從圖4中來看，放大比例較大的圖片，邊框數(shù)量也較多；

4 邊框合并。

Overfeat是CNN用來做目標(biāo)檢測的早期工作，主要思想是采用了多尺度滑動(dòng)窗口來做分類、定位和檢測，雖然是多個(gè)任務(wù)但重用了模型前面幾層，這種模型重用的思路也是后來R-
CNN系列不斷沿用和改進(jìn)的經(jīng)典做法。

當(dāng)然Overfeat也是有不少缺點(diǎn)的，至少速度和效果都有很大改進(jìn)空間，后面的R-CNN系列在這兩方面做了很多提升。

5.2 基于區(qū)域提名的方法

主要介紹基于區(qū)域提名的方法，包括R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN。

5.2.1 R-CNN

如前面所述，早期的目標(biāo)檢測，大都使用滑動(dòng)窗口的方式進(jìn)行窗口提名，這種方式本質(zhì)是窮舉法，R-CNN采用的是Selective Search。

以下是R-CNN的主要步驟：

區(qū)域提名：通過Selective Search從原始圖片提取2000個(gè)左右區(qū)域候選框；

區(qū)域大小歸一化：把所有侯選框縮放成固定大?。ㄔ牟捎?27×227）；

特征提?。和ㄟ^CNN網(wǎng)絡(luò)，提取特征；

分類與回歸：在特征層的基礎(chǔ)上添加兩個(gè)全連接層，再用SVM分類來做識(shí)別，用線性回歸來微調(diào)邊框位置與大小，其中每個(gè)類別單獨(dú)訓(xùn)練一個(gè)邊框回歸器。

其中目標(biāo)檢測系統(tǒng)的結(jié)構(gòu)如圖6所示，注意，圖中的第2步對(duì)應(yīng)步驟中的1、2步，即包括區(qū)域提名和區(qū)域大小歸一化。

Overfeat可以看做是R-CNN的一個(gè)特殊情況，只需要把Selective
Search換成多尺度的滑動(dòng)窗口，每個(gè)類別的邊框回歸器換成統(tǒng)一的邊框回歸器，SVM換為多層網(wǎng)絡(luò)即可。但是Overfeat實(shí)際比R-
CNN快9倍，這主要得益于卷積相關(guān)的共享計(jì)算。

事實(shí)上，R-CNN有很多缺點(diǎn)：

重復(fù)計(jì)算：R-CNN雖然不再是窮舉，但依然有兩千個(gè)左右的候選框，這些候選框都需要進(jìn)行CNN操作，計(jì)算量依然很大，其中有不少其實(shí)是重復(fù)計(jì)算；

SVM模型：而且還是線性模型，在標(biāo)注數(shù)據(jù)不缺的時(shí)候顯然不是最好的選擇；

訓(xùn)練測試分為多步：區(qū)域提名、特征提取、分類、回歸都是斷開的訓(xùn)練的過程，中間數(shù)據(jù)還需要單獨(dú)保存；

訓(xùn)練的空間和時(shí)間代價(jià)很高：卷積出來的特征需要先存在硬盤上，這些特征需要幾百G的存儲(chǔ)空間；

慢：前面的缺點(diǎn)最終導(dǎo)致R-CNN出奇的慢，GPU上處理一張圖片需要13秒，CPU上則需要53秒[2]。

當(dāng)然，R-CNN這次是沖著效果來的，其中ILSVRC 2013數(shù)據(jù)集上的mAP由Overfeat的24.3%提升到了31.4%，第一次有了質(zhì)的改變。

5.2.2 SPP-net

SPP-net是MSRA何愷明等人提出的，其主要思想是去掉了原始圖像上的crop/warp等操作，換成了在卷積特征上的空間金字塔池化層（Spatial
Pyramid Pooling，SPP），如圖7所示。為何要引入SPP層
，主要原因是CNN的全連接層要求輸入圖片是大小一致的，而實(shí)際中的輸入圖片往往大小不一，如果直接縮放到同一尺寸，很可能有的物體會(huì)充滿整個(gè)圖片，而有的物體可能只能占到圖片的一角。傳統(tǒng)的解決方案是進(jìn)行不同位置的裁剪，但是這些裁剪技術(shù)都可能會(huì)導(dǎo)致一些問題出現(xiàn)，比如圖7中的crop會(huì)導(dǎo)致物體不全，warp導(dǎo)致物體被拉伸后形變嚴(yán)重，SPP就是為了解決這種問題的。SPP對(duì)整圖提取固定維度的特征，再把圖片均分成4份，每份提取相同維度的特征，再把圖片均分為16份，以此類推?？梢钥闯觯瑹o論圖片大小如何，提取出來的維度數(shù)據(jù)都是一致的，這樣就可以統(tǒng)一送至全連接層了。SPP思想在后來的R-
CNN模型中也被廣泛用到。

SPP-net的網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示，實(shí)質(zhì)是最后一層卷積層后加了一個(gè)SPP層，將維度不一的卷積特征轉(zhuǎn)換為維度一致的全連接輸入。

SPP-net做目標(biāo)檢測的主要步驟為：

1 區(qū)域提名：用Selective Search從原圖中生成2000個(gè)左右的候選窗口；

2 區(qū)域大小縮放：SPP-net不再做區(qū)域大小歸一化，而是縮放到min(w,
h)=s，即統(tǒng)一長寬的最短邊長度，s選自{480,576,688,864,1200}中的一個(gè)，選擇的標(biāo)準(zhǔn)是使得縮放后的候選框大小與224×224最接近；

3 特征提?。豪肧PP-net網(wǎng)絡(luò)結(jié)構(gòu)提取特征；

4 分類與回歸：類似R-CNN，利用SVM基于上面的特征訓(xùn)練分類器模型，用邊框回歸來微調(diào)候選框的位置。

SPP-net解決了R-CNN區(qū)域提名時(shí)crop/warp帶來的偏差問題，提出了SPP層，使得輸入的候選框可大可小，但其他方面依然和R-
CNN一樣，因而依然存在不少問題，這就有了后面的Fast R-CNN。

5.2.3 Fast R-CNN

Fast R-CNN是要解決R-CNN和SPP-net兩千個(gè)左右候選框帶來的重復(fù)計(jì)算問題，其主要思想為：

1 使用一個(gè)簡化的SPP層 —— RoI（Region of Interesting） Pooling層，操作與SPP類似；

2 訓(xùn)練和測試是不再分多步：不再需要額外的硬盤來存儲(chǔ)中間層的特征，梯度能夠通過RoI Pooling層直接傳播；此外，分類和回歸用Multi-
task的方式一起進(jìn)行；

3 SVD：使用SVD分解全連接層的參數(shù)矩陣，壓縮為兩個(gè)規(guī)模小很多的全連接層。

Fast R-CNN的主要步驟如下：

1 特征提?。阂哉麖垐D片為輸入利用CNN得到圖片的特征層；

2 區(qū)域提名：通過Selective Search等方法從原始圖片提取區(qū)域候選框，并把這些候選框一一投影到最后的特征層；

3 區(qū)域歸一化：針對(duì)特征層上的每個(gè)區(qū)域候選框進(jìn)行RoI Pooling操作，得到固定大小的特征表示；

4 分類與回歸：然后再通過兩個(gè)全連接層，分別用softmax多分類做目標(biāo)識(shí)別，用回歸模型進(jìn)行邊框位置與大小微調(diào)。

Fast R-CNN比R-CNN的訓(xùn)練速度（大模型L）快8.8倍，測試時(shí)間快213倍，比SPP-net訓(xùn)練速度快2.6倍，測試速度快10倍左右。

5.3 端到端的方法

介紹端到端（End-to-End）的目標(biāo)檢測方法，這些方法無需區(qū)域提名，包括YOLO和SSD。

YOLO

YOLO的全拼是You Only Look Once，顧名思義就是只看一次，進(jìn)一步把目標(biāo)判定和目標(biāo)識(shí)別合二為一，所以識(shí)

網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖所示，針對(duì)一張圖片，YOLO的處理步驟為：

把輸入圖片縮放到448×448大??；

運(yùn)行卷積網(wǎng)絡(luò)；

對(duì)模型置信度卡閾值，得到目標(biāo)位置與類別。

網(wǎng)絡(luò)的模型如圖15所示，將448×448大小的圖切成S×S的網(wǎng)格，目標(biāo)中心點(diǎn)所在的格子負(fù)責(zé)該目標(biāo)的相關(guān)檢測，每個(gè)網(wǎng)格預(yù)測B個(gè)邊框及其置信度，以及C種類別的概率。YOLO中S=7，B=2，C取決于數(shù)據(jù)集中物體類別數(shù)量，比如VOC數(shù)據(jù)集就是C=20。對(duì)VOC數(shù)據(jù)集來說，YOLO就是把圖片統(tǒng)一縮放到448×448，然后每張圖平均劃分為7×7=49個(gè)小格子，每個(gè)格子預(yù)測2個(gè)矩形框及其置信度，以及20種類別的概率。

YOLO簡化了整個(gè)目標(biāo)檢測流程，速度的提升也很大，但是YOLO還是有不少可以改進(jìn)的地方，比如S×S的網(wǎng)格就是一個(gè)比較啟發(fā)式的策略，如果兩個(gè)小目標(biāo)同時(shí)落入一個(gè)格子中，模型也只能預(yù)測一個(gè)；另一個(gè)問題是Loss函數(shù)對(duì)不同大小的bbox未做區(qū)分。

SSD

SSD[17,23]的全拼是Single Shot MultiBox
Detector，沖著YOLO的缺點(diǎn)來的。SSD的框架如圖16所示，圖16(a)表示帶有兩個(gè)Ground
Truth邊框的輸入圖片，圖16(b)和?分別表示8×8網(wǎng)格和4×4網(wǎng)格，顯然前者適合檢測小的目標(biāo)，比如圖片中的貓，后者適合檢測大的目標(biāo)，比如圖片中的狗。在每個(gè)格子上有一系列固定大小的Box（有點(diǎn)類似前面提到的Anchor
Box），這些在SSD稱為Default Box，用來框定目標(biāo)物體的位置，在訓(xùn)練的時(shí)候Ground
Truth會(huì)賦予給某個(gè)固定的Box，比如圖16(b)中的藍(lán)框和圖16?中的紅框

SSD的網(wǎng)絡(luò)分為兩部分，前面的是用于圖像分類的標(biāo)準(zhǔn)網(wǎng)絡(luò)（去掉了分類相關(guān)的層），后面的網(wǎng)絡(luò)是用于檢測的多尺度特征映射層，從而達(dá)到檢測不同大小的目標(biāo)。SSD和YOLO的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比如圖17所示。

SSD在保持YOLO高速的同時(shí)效果也提升很多，主要是借鑒了Faster
R-CNN中的Anchor機(jī)制，同時(shí)使用了多尺度。但是從原理依然可以看出，Default
Box的形狀以及網(wǎng)格大小是事先固定的，那么對(duì)特定的圖片小目標(biāo)的提取會(huì)不夠好。

6 人體檢測結(jié)果

7 最后

?? 更多資料, 項(xiàng)目分享：

https://gitee.com/dancheng-senior/postgraduate

到了這里，關(guān)于挑戰(zhàn)杯 機(jī)器視覺目標(biāo)檢測 - opencv 深度學(xué)習(xí)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！