目标检测发展与综述
绪论
在下面的某些部分,我会引用上述提及的文献,这里先做一下声明。
一、目标检测的背景及意义
目标检测是计算机视觉和数字图像处理的一个热门方向,广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域,通过计算机视觉减少对人力资本的消耗,具有重要的现实意义。因此,目标检测也就成为了近年来理论和应用的研究热点,它是图像处理和计算机视觉学科的重要分支,也是智能监控系统的核心部分,同时目标检测也是泛身份识别领域的一个基础性的算法,对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。
二、目标检测的定义
1.目标检测的任务:
找出图像中所有感兴趣的目标(物体),并获得这一目标的类别信息和位置信息【位置和大小】(classification + localization)。
目标检测=分类+定位
2,与分类的区别:
相比分类,检测给出的是对图片前景和背景的理解,我们需要从背景中分离出感兴趣的目标,并确定这一目标的描述(类别和位置),因此检测模型的输出是一个列表,列表的每一项使用一个数组给出检出目标的类别和位置(常用矩形检测框的坐标表示)。
3.与分割的区别:
分为实例的分割(Instance-level)和场景分割(Scene-level),解决“每一个像素属于哪个目标物或场景”的问题。
4.目标检测要解决的核心问题是:
1.目标可能出现在图像的任何位置。
2.目标有各种不同的大小。
3.目标可能有各种不同的形状。
5.目标检测的过程:
传统的目标检测方法一般分为三个阶段:首先在给定的图像上选择一些候选区域,然后对这些区域提取特征,最后使用分类器进行分类。
6.目标检测面临的难点:
图来源于 Deep Learning for Generic Object Detection: A Survey |
- 高准确度(Loc acc.+Reg acc.)
- 对类内形变的鲁棒性
- 同类物体有很多不同的实例(不同纹理/颜色/材质等)
- 目标实例的多样性(姿态/非刚性形变等)
- 采样过程的条件和环境的影响(光照/尺度/遮挡/阴影/污迹/角度/背景)
- 图像噪声(采样过程的噪声/滤波器影响/压缩的噪声等)
- 高的可区分性
- 高效性(时间、内存效率)
- 实际中目标类别成千上万
- 需要定位并辨别目标类别
- 目标的可能定位数量太多
- 图像/视频数据太多
|
三、目标检测的发展
1.目标检测近20年的发展
以AlexNet为分界线,2012年之前为传统算法,2013年之后为深度学习算法。
图来源于《Object Detection in 20 Years: A Survey》
从上述可知,主要分为传统和深度两种情况:
- 传统方法比如我们所熟知的V-J检测、HOG检测、DPM算法。
- 深度学习方法截然不同的分为两条技术路径:单阶段检测算法与两阶段检测算法。
目标检测的相关里程碑
在《Deep Learning for Generic Object Detection: A Survey》中,作者罗列出相关网络及论文的进程,并表明红色加粗部分为必看论文。
图来源于《Deep Learning for Generic Object Detection: A Survey》
在过去的20年,相关的里程碑如下图所示:
图来源于《Deep Learning for Generic Object Detection: A Survey》
四、目标检测分类
综合看的博客和知乎,我觉得下面几个图概括得挺好的
简单来看
细分
图来源于基于深度学习的目标检测算法综述(一) - 知乎 基于深度学习的目标检测算法综述(一) - 知乎
比较推荐
图来源于目标检测——目标检测方法的综述_鬼刀-CSDN博客_常用的目标检测方法https://blog.csdn.net/gaoyu1253401563/article/details/86477942?depth_1-
五、目标检测常见数据集及常见数据集格式
0.说明
有关更多数据集的介绍与格式转换,可参考我的另外两篇博客:
- 目标检测的数据集格式说明总和
- VOC格式、Yolo格式、Coco格式的转换(实践篇)
1. 最常见的数据集
2. 常见的数据集格式
- VOC格式(jpg+xml)
- COCO格式(json)
- Yolo格式(txt)
3. 常见数据集的概况
图来源于《Deep Learning for Generic Object Detection: A Survey》
4.数据集的区别展示
图来源于《Object Detection in 20 Years: A Survey》
六、目标检测常见评价指标
- 主要评价指标通常有三个:
- MAP(平均准确度均值,精度评价)
- 检测速度(FPS即每秒处理的图片数量或者处理每张图片所需的时间,当然必须在同一硬件条件下进行比较)
- 召回率(Recall)= (TP)/(TP+FN):每个类被正确分类的概率
- 其他性能指标
- 准确率 (Accuracy)
- 精确率(Precision)
- 混淆矩阵 (Confusion Matrix)
- precision-recall曲线
- 平均正确率(AP)
- ROC曲线(Receiver Operating Characteristic)
- AUC曲线(Area Under Curve)即为ROC曲线下的面积。
- 交除并IOU(Intersection Over Union):预测框A和真实框B的重叠程度
- 非极大值抑制(NMS)
七、目标检测效果对比
在《Object Detection in 20 Years: A Survey》,作者指出相关网络在不同数据集上的map评价情况,如下图所示:
同样在《Deep Learning for Generic Object Detection: A Survey》,作者指出相关网络在不同数据集上的map评价情况,如下图所示: