目标检测（Object detection）

一、目标定位（Object Localization）

图像识别的三个层次：

  • 图像分类：判断图像中是否包含某一类物体，并且假定每张图像只有一个目标。
  • 目标定位：既要图像分类，还要输出这个目标位置。
  • 目标检测：检测出图像包含的所有感兴趣的目标，并定位。

目标定位：

需要修改输出层的结构，和数据集的标签。输出层不仅要输出各类别的概率，还要输出目标的位置坐标。

基于目标检测的跟踪 目标检测与定位_神经网络


损失函数和标签：

  • Pc：表示是否包含要检测目标。如果不包含为0，其它的输出没有意义。
  • 根据情况，可以对不同的输出元素使用不同的损失函数，如：对多类别概率使用交叉熵损失函数；对边界框值使用平方误差； 对Pc使用 logistic regression 损失函数。

二、特征点检测（Landmark Detection）

在训练标签中添加特征点，并修改模型的输出层使其输出特征点坐标值，从而实现特征点检测。

两个例子：

  • 人脸表情识别：通过标定数据集中特征点的位置信息，来对人脸进行不同位置不同特征的定位和标记。AR的应用就是基于人脸表情识别来设计的，如脸部扭曲、增加头部配饰等。
  • 人体姿态检测：通过对人体不同的特征位置关键点的标注，来检测人体的姿态。

三、目标检测（Object Detection）

训练了一个分类模型。

  • 输入X：将有目标的图片进行适当的剪切，使图像刚好只包括目标，训练集中也应包含没有目标的图像。
  • 标签Y：有目标为1，没目标为0。

    实现目标检测：把图像裁剪成任意大小（可用滑动窗口实现），输入分类器，即可判别出是否包含目标同时也知道了目标的位置。

四、卷积的滑动窗口实现（Convolutional Implementation of Sliding Windows）

滑动窗口检测：

设置一系列尺寸不同的方框，每一种方框都从左向右、从上往下有规律的遍历图像，把每一个方框包含的图片区域输入不同的分类器，进行分类判别。即可实现目标检测。

缺点是计算成本太大，方框尺寸的细分程度对定位的精度（粗粒度）影响很大。

基于目标检测的跟踪 目标检测与定位_深度学习_02


卷积层替代全连接层：利用1×1的卷积替代全连接层。

基于目标检测的跟踪 目标检测与定位_深度学习_03


卷积实现滑动窗口：不用把图片进行分割后输入模型，而是把这张图片输入到卷积神经网络中进行计算，因为各子图重叠部分可以共享大量的计算。只需一次前向传播，就可以同时得到所有子图的预测值。

输出层尺寸为 ：横向子图数 x 纵向子图数 x 类别数

基于目标检测的跟踪 目标检测与定位_深度学习_04

五、预测边界框（Bounding Box Predictions）

受边界框尺寸的细分程度的影响，预测结果和实际目标边框可能会有偏离。

基于目标检测的跟踪 目标检测与定位_神经网络_05


YOLO 算法很好的解决边界框不准确的问题，下面会讲。

边界框值的意义：

  • bx by bh bw ：目标的中心点 x、y 坐标和高、宽值。值的大小都是相比于格子尺寸的比例值。

六、交并比（Intersection Over Union）

两个边框：实际边框和预测边框。

IoU = 边框交集 / 边框并集

基于目标检测的跟踪 目标检测与定位_深度学习_06

七、非极大值抑制（Non-max Suppression）

一个目标可能检测出多个边界框，用非极大值抑制解决。

基于目标检测的跟踪 目标检测与定位_深度学习_07


以某一个分类类别为例：

  • 丢弃Pc小于一定值的预测结果，通常取0.5。
  • 选取Pc最大的边界框，作为一个正确的预测输出。丢弃与该边界框有高交并比（通常取大于0.5）的预测结果。
  • 重复上一个步骤，直到所有边界框都被遍历了。

八、Anchor Boxes

解决一个格子只能预测一个目标的不足。

  • 人工定义 Anchor Boxes 的形状。标签中对应于 Anchor Boxes 数量设置几个预测标签组合成一个大标签。
  • 把目标分配到其边框与某个Anchor Boxe有最大IoU的所属格子的这个Anchor Boxe对应的那一组预测标签中。

九、YOLO Algorithm

训练：

  • 划分网格：将图片分割成n×n个小的图片。
  • 根据目标的中心点，为每个目标分配一个grid cell ：中点在哪个grid cell ，就将该对象分配这个格子中，每个目标只分配给一个格子。
  • 数据标签：对于每个 grid cell 都有一个包含分类和位置的标签yi=[Pc bx by bh bw c1 c2 c3]，因为标签的位置值的大小可以是任意值，相比于滑动窗口宽高比不再固定，因此能得到更精确的边框。
    node: 这里的yi标签是没有Anchor Boxes的，如果有Anchor Boxes应相应增加值。
  • 将 n×n 个格子的标签合并起来，得到 n×n×8 的矩阵标签。
  • 训练模型。
    没有Anchor Boxes：

    • 基于目标检测的跟踪 目标检测与定位_神经网络_08

  • 有Anchor Boxes：

    • 基于目标检测的跟踪 目标检测与定位_吴恩达_09

预测：

  • 将图片缩放成大小和模型要求一致后输入模型得到大小为n×n×8的预测输出。即可得到分类类别和边框位置。
  • YOLO算法对于每张图只进行一次前向传播，算法运行速度快，基本达到实时应用的要求。

非极大值抑制：

  • 对每种类别单独进行极大值抑制，输出预测结果。

十、候选区域（Region Proposals）—— R-CNN

  • 把图片分割成不同色块，数量要远远小于窗口滑动的子图数。
  • 把不同色块的原图输入模型进行预测。并不信任输入色块的位置值，同样要输出边界框的预测值。