卷积神经网络－目标探测

• 目标探测
  • 单个目标
  • 多个目标
  • 直接思路：局部识别
• 传统方法：DPM deformable parts model
  • 基本思想：
    • 提取图像特征，制作出激励模版，在原始图像滑动计算，得到激励效果图，根据激励分布确定目标位置
  • 优点：
    • 方法直观简单
    • 运算速度快
    • 适应运动物体变形
  • 缺点：
    • 性能一般
    • 激励特征人为设计，工作量大
    • 大幅度旋转无法适应，稳定性差
• 神经网络分类： R-CNN系列方法
  • 类别减少
  • 训练过程
  • 测试过程
  • 分类器的训练：
    • 直接用ImageNet模型
    • Fine-tune分类模型
      • 选择20类进行探测；对原始分类模型结构更改，最终21个目标
    • 特征提取
      • 图片计算候选区域；候选区域切分图片，变成输入大小；提取相应高级特征；存储特征
    • 单独目标探测器训练–基于候选区域微调
  • 测试过程：
    • 候选区域
    • 特征计算
    • 分类、回归
    • 后续处理
  • 评估方法：
    • mAP：mean average precision 平均精度
• RCNN总结：
  • 优点：
    • CNN用于目标探测，利用CNN高效识别能力，大大提高性能。
    • 摆脱人为设计物品模版，方法具有通用性
    • 分类+回归，有了找到精确位置的可能
  • 缺点：
    • 为了检测一个目标，所有候选区域计算，大量卷积运算，非常慢
    • SVM训练与CNN断裂，有效信息不能用于优化模型
    • 每一类单独训练，异常繁琐
      https://blog.csdn.net/briblue/article/details/82012575
• Fast R-CNN
  • 共享卷积计算
    • 卷积计算保持空间位置
    • 共同区域卷积计算只进行一次
    • 切割候选区 + 提取特征图 = 计算完整特征图+切割对应候选区
  • 特征一致化：max pooling
  • 相对位置回归+类别分数判定 联合学习
  • 怎么解决候选区域的生成问题
    • 神经网络特征增加一组输出（RPN） region proposal network
      • 直接产生候选区域，无需额外生成
      • 直接用于后续特征图切割
      • 简介
        • 在feature map上滑动窗口
        • 建一个神经网络用于物体分类+框位置的回归
        • 滑动窗口的位置提供了物体的大体位置信息
        • 框的回归提供了框更精确的位置
    • anchor box
      • 引入应对目标形状的变化问题（anchor就是位置和大小固定的box，可以理解成事先设置好的固定的proposal）。
        https://blog.csdn.net/qq_41329606/article/details/82658927
        https://cloud.tencent.com/developer/news/281788
• Yolo训练