深度學習中目標檢測

點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

本文轉(zhuǎn)自|AI算法與圖像處理

該部分內(nèi)容出自書《21個項目玩轉(zhuǎn)深度學習：基于TensorFlow的實踐詳解》，有需要的同志可以關(guān)注我的公眾號，加入下發(fā)的群，在群公告中有附網(wǎng)盤，可以自取（僅供學習使用）。如果失效可以聯(lián)系或者在公眾號留言！！！

深度學習中目標檢測的原理

R-CNN 的全稱是 Region-CNN，它可以說是第一個成功地將深度學習應用到目標檢測上的算法 。 后面將要學習的 Fast R-CNN、 Faster R-CNN 全部都是建立在 R-CNN 基礎(chǔ)上的 。

傳統(tǒng)的目標檢測方法大多以圖像識別為基礎(chǔ)。 一般可以在圖片上使用窮

舉法選出所高物體可能出現(xiàn)的區(qū)域框，對這些區(qū)域框提取特征并使用圄像識

別萬法分類， 得到所高分類成功的區(qū)域后 ， 通過非極大值抑制（ Non-maximum suppression ）輸出結(jié)果 。

R-CNN遵循傳統(tǒng)目標檢測的思路 ， 同樣采用提取框 、 對每個框提取特征 、 圖像分類、 非極大值抑制四個步驟進行目標檢測。 只不過在提取特征這一步，將傳統(tǒng)的特征（如 SIFT 、 HOG 特征等）換成了深度卷積網(wǎng)絡(luò)提取的特征 。 R-CNN 的整體框架如圖 5-2 所示 。

對比：

對于原始圖像 ， 首先使用 SelectiveSearch 搜尋可能存在物體的區(qū)域 。
Selective Search 可以從圖像中啟發(fā)式地搜索出可能包含物體的區(qū)域。 相比窮舉而言， Selective Search 可以減少一部分計算量 。 下一步，將取出的可能含
高物體的區(qū)域送入 CNN 中提取特征 。 CNN 通常是接受一個固定大小的圖像，而取出的區(qū)域大小卻各高不同 。對此， R-CNN的做法是將區(qū)域縮放到統(tǒng)一大小 ， 再使用 CNN提取特征 。 提取出特征后使用 SVM 進行分類，最后通過非極大值抑制輸出結(jié)果 。

R-CNN的訓練、可以分成下面四步：

1）在數(shù)據(jù)集上訓練 CNN 。 R-CNN 論文中使用的 CNN 網(wǎng)絡(luò)是 AlexNet，數(shù)據(jù)集為 ImageNet 。

2）在目標檢測的數(shù)據(jù)集上，對訓練好的 CNN司做微調(diào) 。

3）用 Selective Search 搜索候選區(qū)域，統(tǒng)一使用微調(diào)后的 CNN對這些區(qū)域提取特征，并將提取到的特征存儲起來。

4）使用存儲起來的特征 ，訓練 SVM 分類器 。

盡管 R-CNN 的識別框架與傳統(tǒng)方法區(qū)別不是很大，但是得益于 CNN 優(yōu)異的特征提取能力， R-CNN 的效果還是比傳統(tǒng)方法好很多。 如在 VOC 2007數(shù)據(jù)集上，傳統(tǒng)方法最高的平均精確度 mAP ( mean Average Precision ）為40%左右，而 R-CNN 的 mAP 達到了 58.5%！

R-CNN 的缺點是計算量太大 。 在一張圖片中，通過 Selective Search 得

到的有效區(qū)域往往在 1000 個以上，這意昧著要重復計算 1000 多次神經(jīng)網(wǎng)絡(luò) ，非常耗時 。另外，在訓練、階段，還需要把所有特征保存起來 ，再通過 SVM進行訓練，這也是非常耗時且麻煩的。Fast R-CNN 和 FasterR-CNN 在一定程度上改進了 R-CNN 計算量大的缺點，不僅速度變快不少，識別準確率也得到了提高 。

具體的實現(xiàn)書中有詳細說明

下面放上一些檢測的代碼

Faster –RCNN的檢測效果

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~