第1章 目標檢測概述

目標檢測是對圖像分類任務(wù)的進一步加深，他不僅要識別出圖片中各種類別的目標，還要把他們的位置找出來用矩形框框住。

在實際操作中，通常先找出目標的位置（通過坐標軸方框標注出來），然后在對標注的目標進行分類。

目標檢測是深度學(xué)習(xí)在計算機視覺領(lǐng)域一個非常重要的應(yīng)用，從本節(jié)開始，我們將陸續(xù)開始目標檢測的學(xué)習(xí)。

根據(jù)算法的流程可以將目標檢測算法分為兩種流派：

（1）以Faster R-CNN為代表的Two-Stage算法：

它檢測目標主要分為兩個部分

通過專門模塊去生成候選框

尋找前景以及調(diào)整邊界框

（2）以SSD、YOLO為代表的One-Stage算法

它是直接基于anchor直接進行分類以及調(diào)整邊界框。

這兩種方式各有各的特別，Two-Stage很明顯檢測的精度要高一點，但是檢測速度慢；

One-Stage放棄了高精度，但是換來了速度，速度比Two-Stage算法快很多。

接下來簡單介紹幾種常用的目標檢測算法

第2章 常見的Two-Stage算法

2.1 R-CNN

在過去的十多年時間里，傳統(tǒng)的機器視覺領(lǐng)域，通常采用特征描述子來應(yīng)對目標識別任務(wù)，這些特征描述子最常見的就是 SIFT 和 HOG.而 OpenCV 有現(xiàn)成的 API 可供大家實現(xiàn)相關(guān)的操作。

R-CNN（Region with CNN Feature）2014年提出，在此之前都是傳統(tǒng)的目標檢測算法，人為定義特征進行檢測，進入了瓶頸期，進步緩慢，但是R-CNN出來之后將目標檢測領(lǐng)域的準確率至少提高了30%。

2012 年 Krizhevsky 等人在 ImageNet 舉辦的 ILSVRC 目標識別挑戰(zhàn)大賽中一戰(zhàn)成名，豪奪當年的第一名，Top5 錯誤率 15%,而他們團隊提出來的網(wǎng)絡(luò)結(jié)構(gòu)以第一作者 Alex Krizhevsky 名字命名，它就是 AlexNet

因為 AlexNet 的出現(xiàn)，世人的目標識別的目光重回神經(jīng)網(wǎng)絡(luò)領(lǐng)域，以此為契機，不斷涌出各種各樣的網(wǎng)絡(luò)比如 VGG、GoogleNet、ResNet 等等。

受 AlexNet 啟發(fā)，R-CNN論文作者嘗試將 AlexNet 在 ImageNet 目標識別的能力泛化到 PASCAL VOC 目標檢測上面來。

R-CNN 借鑒了滑動窗口思想，采用對區(qū)域進行識別的方案

第3章 常見的One-Stage算法

3.1 SSD

SSD是一種經(jīng)典的One-Stage算法，它解決當時Faster R-CNN對小目標檢測效果差和檢測速度慢的問題。

SSD可以預(yù)測不用尺度的目標，它的網(wǎng)絡(luò)有6個輸出特征層。

使用Faster R-CNN在單GPU上大概每秒6、7張圖片；

而使用SSD算法，同樣在單GPU上它每秒能檢測50 、60 張圖片；

但相比之前使用了FPN的Faster R-CNN而言呢，SSD算法的檢測精度要差很多。

3.2 YOLO

YOLO系列算法是目前使用最多的目標檢測算法，它最大的特點就是檢測速度快，而且現(xiàn)在檢測精度也就是mAP也變高了，所以稱為時下最熱門的目標檢測算法。

YOLO是在CVPR2016提出的一種目標檢測算法，它一共有5個版本，YOLO v1到v3是同一個作者Joseph設(shè)計的，包括論文到算法結(jié)構(gòu)，YOLO v4到v5是其他作者設(shè)計的，目前檢測效果最好和使用最多的就是YOLO v5。

其核心思想是將目標檢測轉(zhuǎn)化為回歸問題求解，并基于一個單獨的end-to-end網(wǎng)絡(luò)：完成從原始圖像的輸入到物體位置和類別的輸出。

YOLO在進行預(yù)測時，會對圖像進行全面地推理。

它一種統(tǒng)一的目標檢測模型。我們的模型構(gòu)建簡單，可以直接在整張圖像上進行訓(xùn)練。

第4章 匯總比較

4.1 匯總比較

審核編輯 ：李倩