目标检测

目标检测

图像分类、目标检测、分割是计算机视觉领域的三大任务。
目标检测的目标就是识别+定位。
以下介绍目标检测几个基本概念：
锚框：
目标检测算法通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整区域边缘从而更准确地预测目标的真实边界框（ground-truth bounding box）。这里我们介绍其中的一种方法：它以每个像素为中心生成多个大小和宽高比（aspect ratio）不同的边界框。这些边界框被称为锚框（anchor box）。

交并比：
衡量锚框和真实边界框之间的相似度。Jaccard系数可以衡量两个集合的相似度。给定集合A和B，它们的Jaccard系数即二者交集大小除以二者并集大小：

事实上我们可以把边界框内的像素区域看成是像素的集合。这样我们可以用两个边界框的像素集合的Jaccard系数衡量这两个边界框的相似度。当衡量两个边界框的相似度时，我们通常将Jaccard系数称为交并比（Intersection over Union，IoU），即两个边界框相交面积与相并面积之比，如图所示。交并比的取值范围在0和1之间：0表示两个边界框无重合像素，1表示两个边界框相等。

传统的目标检测框架，主要包括三个步骤：
　　（1）利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域；
　　（2）提取候选区域相关的视觉特征
　　（3）利用分类器进行识别，比如常用的贝叶斯、SVM模型。
目前目标检测领域的深度学习方法主要分为两类：一阶段目标检测算法；两阶段（Two Stages）的目标检测算法。
一阶段目标检测算法：不需要产生候选框，直接将目标框定位的问题转化为回归（Regression）问题处理常见算法有YOLO、SSD等等。
二阶段目标检测算法：首先由算法生产候选框（如RPN）,再通过卷积神经网络进行样本分类。常见的算法有R-CNN、Fast R-CNN、Faster R-CNN等等。
　对于上述两种方法各有有缺点，一阶段方法在速度上占据优势，二阶段算法在准确率和算法精度上占据优势。

最后

以上就是饱满舞蹈为你收集整理的目标检测的全部内容，希望文章能够帮你解决目标检测所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。