?

計算機視覺筆記：第一章 圖像分類-CSDN博客

計算機視覺筆記 第二章 圖像語義分割-CSDN博客

計算機視覺筆記 第三章：目標(biāo)檢測-CSDN博客

計算機視覺 第四章：圖像識別、目標(biāo)跟蹤-CSDN博客

計算機視覺 第五章 多目視覺（立體視覺）-CSDN博客

標(biāo)定圖像中目標(biāo)的位置，并給出目標(biāo)的類別

目標(biāo)檢測和語義分割的區(qū)別：

語義分割：包含低層的像素級別的處理方法，也包含高層的語義級別的處理方法

目標(biāo)檢測：基本都是高層的語義級別的處理方法

基于經(jīng)典手工特征的目標(biāo)檢測算法

通用流程：1. 使用滑動窗口尋找目標(biāo)；

2. 使用模板匹配或者其改進方法對滑窗選中的區(qū)域進行判斷。

滑動窗口與模板匹配檢測法（蠻力搜索）：

目標(biāo)發(fā)生旋轉(zhuǎn)或大小變化等，方法都會失效

選擇性搜索：

用類似區(qū)域分裂合并法的方法找到目標(biāo)候選區(qū)域

多元化策略---色彩空間多樣化：使用不同的色彩空間，以提取不同的不變屬性

?????????? 相似度度量多樣化：顏色、紋理、尺寸等多方面相似度匹配

?????????? 改變起始區(qū)域：采用不同算法選取起始區(qū)域，以達到最佳分隔效果

優(yōu)點：多尺度，多元化，快速

VJ檢測器：

傳統(tǒng)滑動窗口檢測+

Haar特征：

? ?

Haar特征反映了局部區(qū)域之間的相對明暗關(guān)系，能夠為人臉和非人臉的區(qū)分提供有效的信息

特征選擇方法：

既想要速度也想要準確率，于是使用Adaboost決策器---把多個簡單分類器組合起來，聚弱為強。整個檢測器由多級Adaboost 決策器組成。

多階段處理：

將較少的計算資源分配 背景窗口，而將較多的計算資源分配在目標(biāo)窗口。 如果某一級決策器將當(dāng)前窗口判定為背景，則無需后 續(xù)決策就可繼續(xù)開始下一個窗口的判斷。

可變形部件模型：

將傳統(tǒng)對目標(biāo)整體的檢測問題拆分并轉(zhuǎn)化為對模型各個部件的檢測問題，然后將各部件檢測結(jié)果聚合成最終結(jié)果。即“從整體到部分，再從部分到整體”。

模型由基濾波器和一系列部件濾波器構(gòu)成。

對模型輸出結(jié)果采用采用邊界框回歸提升邊框位置精度，采用上下文信息集成提升檢測準確率。（上下文信息反映了各個類別的目標(biāo)在圖像中的聯(lián)合先驗概率密度分 布，即哪些類別的目標(biāo)可能同時出現(xiàn)，哪些類別的目標(biāo)則不太可能同時出現(xiàn)。）

深度學(xué)習(xí)目標(biāo)檢測

RNN系列：兩階段算法。先產(chǎn)生目標(biāo)候選區(qū)域，再做分類回歸。準確率高。

Yolo系列，SSD系列：只用一個卷積網(wǎng)絡(luò)預(yù)測目標(biāo)位置和類別。速度快。

RNN系列：

RCNN：

借鑒滑動窗口思想，從圖片中提取2000個候選區(qū)域；

每個候選區(qū)域利用卷積神經(jīng)網(wǎng)絡(luò)獲取一個特征向量；

對于每個區(qū)域相應(yīng)的特征向量，利用支持向量機進行分類；

邊界框回歸，調(diào)整目標(biāo)邊界框的大小。

缺點：選擇性搜索效率低；串行CNN特征提取需要逐個候選框提取特征效率低；三個模塊（特征提取，SVM，邊框修正）是分別訓(xùn)練的，空間占用大

Fast RCNN：

使用一個卷積神經(jīng)網(wǎng)絡(luò)對全圖進行特征提取；

使用一個感興趣區(qū)域池化層在全圖特征上摘取每一個感興趣區(qū)域?qū)?yīng)的特征；

加入了多任務(wù)損失函數(shù)，除了選擇性搜索，其他模塊都可以合在一起訓(xùn)練

? 缺點：選擇性搜索仍在

Faster RCNN：

區(qū)域提議網(wǎng)絡(luò)（RPN）取代選擇性搜索

錨框（先驗框）：RPN預(yù)置了九種尺寸（三種面積128×128，256×256，512×512，每種面 積又包含三種長寬比1:1，1:2，2:1）的錨框在圖像上滑動來尋找目標(biāo)。一張圖片需要的錨框總數(shù)約為20000個。

Mask RCNN：

用感興趣區(qū)域（即先將原圖和特征圖的像素對應(yīng)起來，然后將特征圖和固定的特征區(qū)域?qū)?yīng)起來）對齊取代感興趣區(qū)域池化；

對這些感興趣區(qū)域進行分類（N類別分類）、邊界框回歸和掩模生成（在每一個感興趣區(qū)域里面進行FCN（全卷積）操作）

Yolo和ssd系列： 將物體分類和物體檢測網(wǎng)絡(luò)合二為一，都在全連接層完成

Yolo：

網(wǎng)絡(luò)結(jié)構(gòu)分為三部分：卷積層，目標(biāo)檢測層，非極大值抑制篩選層

卷積層提取特征，提高模型的泛化能力。目標(biāo)檢測層為每個邊界框計算一個置信度（置信度包含兩個方面，一是這個邊界框含有目標(biāo)的可能性大小，二是這個邊界框的準確度）。非極大值抑制篩選層：基本同邊界框回歸。

SSD：

結(jié)合了RNN和YOLO的優(yōu)點。

多尺寸特征圖上進行目標(biāo)檢測：每一個卷積層，都會輸出不同大小感受野的特征圖。在這些不同尺度的特征圖上，進行目標(biāo)位置和類別的訓(xùn)練和預(yù)測，從而達到多尺度檢測的目的。文章來源地址http://www.zghlxwxcb.cn/news/detail-854793.html

到了這里，關(guān)于計算機視覺筆記 第三章：目標(biāo)檢測的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY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)！