【免费】SIGAI1012-目标检测算法综述1资源-CSDN文库

需积分: 0 180 浏览量 2022-08-03 19:40:40 上传评论收藏 1.55MB PDF 举报

资源详情

资源评论

资源推荐

目标检测算法综述

Sigai 特约作者：东尼大佬

2018.10.12

原创声明：本文为 SIGAI 原创文章，仅供个人学习使用，未经允许，不得转载，

不能用于商业目的。

导言

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。由于深度学习的广泛运用，目标检测算法得到了较为快速的发展，本文

广泛调研国内外目标检测方法，主要介绍基于深度学习的两种目标检测算法思路，分别为

One-Stage 目标检测算法和 Two-Stage 目标检测算法。

正文

1. 相关介绍

1.1 背景介绍

行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可

能出现的位置，但是缺点也是显而易见的:时间复杂度太高，产生冗余窗口太多，这也严重

影响后续特征提取和分类的速度和性能。

（2）特征提取：由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设

计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。其中，

这个阶段常用的特征有 SIFT

[3]

、HOG

[4]

等。

（3）分类：根据第二步提取到的特征对目标进行分类，分类器主要有 SVM，AdaBoost

等。

2. 基于深度学习的目标检测算法

2.1 算法概述

目标检测任务可分为两个关键的子任务：目标分类和目标定位。目标分类任务负责判断

输入图像或图像区域中是否有感兴趣类别的物体出现，输出一系列带分数的标签表明感兴

趣类别的物体出现在输入图像或图像区域中的可能性。目标定位任务负责确定输入图像或

图像区域中感兴趣类别的物体的位置和范围，输出物体的包围盒、或物体中心、或物体的闭

合边界等，通常方形包围盒是最常用的选择。

目前主流的目标检测算法主要是基于深度学习模型，其可以分成两大类：（1）One-

Stage 检测算法，其不需要 Region Proposal 阶段，直接产生物体的类别概率和位置坐标

值，比较典型的算法如 YOLO、SSD 和 CornerNet；（2）Two-Stage 目标检测算法，其将

检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域进行

分类和位置精修，这类算法的典型代表是基于 region proposal 的 R-CNN 系列算法，如

R-CNN，Fast R-CNN，Faster R-CNN 等。目标检测模型的主要性能指标是检测准确度和

速度，对于准确度，目标检测要考虑物体的定位以及分类准确度。一般情况下，Two-Stage

算法在准确度上有优势，而 One-Stage 算法在速度上有优势。不过，随着研究的发展，两

类算法都在两个方面做改进，均能在准确度以及速度上取得较好的结果。

2.2 One-Stage 目标检测算法

One-Stage 目标检测算法可以在一个 stage 直接产生物体的类别概率和位置坐标值，

相比于 Two-Stage 的目标检测算法不需要 Region Proposal 阶段，整体流程较为简单。如

下图所示，在 Testing 的时候输入图片产生输出，解码生成对应检测框即可；在 Training 的

剩余17页未读，继续阅读

评论0

内容反馈

型爷

粉丝: 17
资源: 337

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip