【CV】一文讀懂目標(biāo)檢測
編者薦語
?目標(biāo)檢測（Object Detection）是計算機(jī)視覺（Computer Vision，CV）領(lǐng)域的一個熱門方向，廣泛應(yīng)用于自動駕駛，工業(yè)檢測，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)類別并輸出相應(yīng)的坐標(biāo)位置（常使用矩形框）。
圖像分類、目標(biāo)檢測、分割是計算機(jī)視覺領(lǐng)域的三大任務(wù)：
圖像理解的三個層次
1.分類（Classification），對輸入的圖像進(jìn)行描述，從已有的類標(biāo)簽集合中找出最符合的標(biāo)簽分配給該圖像。分類雖然是最簡單、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（Detection），相對于分類任務(wù)關(guān)心整體，給出整幅圖像的內(nèi)容描述，檢測更加關(guān)注目標(biāo)，需要同時獲得目標(biāo)的類別及位置信息（Classification+Localization）。
3.分割（Segmentation），分割包括語義分割（Semantic Segmentation）和實(shí)例分割（Instance Segmentation），前者是對前背景分離任務(wù)的拓展，要求將圖中每一點(diǎn)像素標(biāo)注為某個物體類別，同一物體的不同實(shí)例不需要單獨(dú)分割；?而后者是檢測任務(wù)的拓展，是目標(biāo)檢測+語義分割的綜合體，要求精確到物體的邊緣（相比目標(biāo)識別框更為精細(xì)），相比語義分割，實(shí)例分割可以標(biāo)注出圖像中的不同個體。
語義分割與實(shí)例分割對比
圖像分類是將圖像劃分為單個類別（一般對應(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物體，如果強(qiáng)行使用分類模型進(jìn)行分類，得到的結(jié)果也并不一定準(zhǔn)確。諸如此類的情況，就需要使用目標(biāo)檢測算法，目前學(xué)術(shù)和工業(yè)界主要將目標(biāo)檢測算法分成三類：
1.傳統(tǒng)的目標(biāo)檢測框架
（1）候選區(qū)域選擇（采用不同尺寸、比例的滑動窗口對圖像進(jìn)行遍歷）；
（2）對不同的候選區(qū)域進(jìn)行特征提取（SIFT、HOG等）；
（3）使用分類器進(jìn)行分類（SVM、Adaboost等）。
2.基于深度學(xué)習(xí)的Two?Stages目標(biāo)檢測框架（準(zhǔn)確度有優(yōu)勢）
此類算法將檢測問題分為兩個階段，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；第二個階段對其進(jìn)行分類，選出包含目標(biāo)的候選區(qū)域并對其位置進(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)檢測框架（速度有優(yōu)勢）
此類檢測算法屬于端到端（End-to-End），不需要生成大量候選區(qū)域的階段，而是將問題轉(zhuǎn)化為回歸（Regression）問題處理，使用完整圖像作為輸入，直接在圖像的多個位置上回歸出該位置的目標(biāo)邊框及所屬類別（常使用Yolo、SSD、CornerNet等算法）。
總結(jié)
未來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)檢測算法的詳細(xì)介紹請參考公眾號的其他文章。
—THE END—
往期精彩回顧