目标检测概述

目标检测就是在给定的图片中准确找到物体的所在位置，并标注出物体的类别。

问题的难点在于：物体的尺寸变化范围很大，摆放物体的角度、姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。

那么这样看起来目标检测就相当于定位加分类。（可爱猫猫）

目标检测发展历程

从设计更强的特征到设计更加强大的网络架构，优化方法、损失函数。

目标检测数据集

深度学习下的目标检测

相当于增加了一个边框用来确定待识别物体的位置

边界框回归

通过学习一种映射关系，对目标候选的位置进行精化(Refine)。

通过使用IOU来衡量真实标注和预测结果的重合程度。

通过非极大值抑制消除冗余的检测框。

1. 对所有的候选框按照置信度分数进行排序，从高到低。
2. 选择置信度最高的候选框，并将其加入最终输出列表中。
3. 对剩余的候选框进行遍历，计算当前候选框与已选择的框的重叠度（如交并比）。
4. 如果当前候选框与任何已选择的框的重叠度大于预先设定的阈值，则将其移除；否则，将其加入最终输出列表中。
5. 重复步骤 3 和步骤 4，直到遍历完所有的候选框。、

目标检测分类

R-CNN

存在的问题是什么呢？

对于每张图像，还需要额外的步骤提取region proposal；存储和重复地提取每个region proposal的特征花费大量的存储和计算资源；全连接层需要固定输入维度，因此需要确保输入到网络的图像尺寸一致。

区域拉伸

使用warped region(区域拉伸)：就是上图中的红色边框，为了与CNN兼容，R-CNN直接将所有的候选区域统一到了227*227的尺寸。但是存在的问题就是：将每个region proposal统一成同样的尺寸，严重影响CNN提取特征的质量。

特征提取

对于下一个问题，存储和重复地提取每个region proposal的特征花费大量的存储和计算资源，保存所有的目标候选区域的特征大约占用了200G的空间。

区域分类

边框界回归

SPP-Net

提取特征

池化方式为空间金字塔池化

Fast R-CNN

池化方式为Rol pooling

总的来说相当于直接提取图像的特征，将图片的warp改为固定划分提取特征。

损失函数的设计有两个，将回归和分类都用在了一个任务中。

损失函数设计

Faster R-CNN

所有的检测过程被统一到了一个网络之中。
本章课件来自百度松果