没有合适的资源？快使用搜索试试~ 我知道了~

文库首页安全技术网络安全第八章_目标检测1

第八章_目标检测1

目标检测

需积分: 0 0 下载量 57 浏览量 2022-08-03 18:45:34 上传评论收藏 11.82MB PDF 举报

温馨提示

试读

54页

介绍。所以这里把ROI理解为原图上各个候选框（region proposals），也是可以的。注：说句题外话，由Selective Search算法提取的一系列

资源详情

资源评论

资源推荐

第
八
章
 
目
标
检
测
1 基本概念
1.1 什么是目标检测？
1.2 目标检测要解决的核心问题？
1.3 目标检测算法分类？
1.4 目标检测有哪些应用？
2 Two Stage目标检测算法 
2.1 R-CNN
2.2 Fast R-CNN
2.3 Faster R-CNN  
2.4 R-FCN
2.5 FPN
2.6 Mask R-CNN
3 One Stage目标检测算法
3.1 SSD  
3.2 DSSD
3.3 YOLOv1
3.4 YOLOv2
3.5 YOLO9000
3.6 YOLOv3
3.7 RetinaNet
3.8 RFBNet
3.9 M2Det
4 人脸检测
4.1 目前主要有人脸检测方法分类？
4.2 如何检测图片中不同大小的人脸？
4.3 如何设定算法检测最小人脸尺寸?
4.4 如何定位人脸的位置？
4.5 如何通过一个人脸的多个框确定最终人脸框位置？
4.6 基于级联卷积神经网络的人脸检测（Cascade CNN）
4.7 基于多任务卷积神经网络的人脸检测（MTCNN）
4.8 Facebox
5 目标检测的技巧汇总
6 目标检测的常用数据集
6.1 PASCAL VOC
6.2 MS COCO
6.3 Google Open Image
6.4 ImageNet
7 目标检测常用标注工具
7.1 LabelImg
7.2 labelme
7.3 Labelbox
7.4 RectLabel
7.5 CVAT
7.6 VIA
7.6 其他标注工具
TODO
参考文献
第八章 目标检测  

8.1

基

本

概

念

8.1.1 什么是目标检测？

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物

体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物

体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测

一直是计算机视觉领域最具有挑战性的问题。

计算机视觉中关于图像识别有四大类任务：

分

类

-Classication：解决“是什么？”的问题，即给定一张图片或一段视频判断

里面包含什么类别的目标。

定

位

-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。

检

测

-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置

并且知道目标物是什么。

分割

-Segmentation：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。

8.1.2 目标检测要解决的核心问题？

除了图像分类之外，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。

8.1.3 目标检测算法分类？

基于深度学习的目标检测算法主要分为两类：

1.Two stage

目

标

检

测

算

法

先进行区域生成（region proposal，RP）（一个有可能包含待检物体的预选

框），再通过卷积神经网络进行样本分类。

任务：特征提取—>生成RP—>分类/定位回归。

常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster

R-CNN和R-FCN等。

2.One stage

目

标

检

测

算

法

不用RP，直接在网络中提取特征来预测物体分类和位置。

任务：特征提取—>分类/定位回归。

常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、

YOLOv3、SSD和RetinaNet等。

8.1.4 目标检测有哪些应用？

目标检测具有巨大的实用价值和应用前景。应用领域包括人脸检测、行人检

测、车辆检测、飞机航拍或卫星图像中道路的检测、车载摄像机图像中的障碍物

检测、医学影像在的病灶检测等。还有在安防领域中，可以实现比如安全帽、安

全带等动态检测，移动侦测、区域入侵检测、物品看护等功能。

8.2 Two Stage

目

标

检

测

算

法

8.2.1 R-CNN

R-CNN

有

哪

些

创

新

点

？

1. 使用CNN（ConvNet）对 region proposals 计算 feature vectors。从

经验驱动特征（SIFT、HOG）到数据驱动特征（CNN feature

map），提高特征对样本的表示能力。

2. 采用大样本下（ILSVRC）有监督预训练和小样本（PASCAL）微调

（ne-tuning）的方法解决小样本难以训练甚至过拟合等问题。

注：ILSVRC其实就是众所周知的ImageNet的挑战赛，数据量极大；PASCAL数

据集（包含目标检测和图像分割等），相对较小。

R-CNN

介

绍

R-CNN作为R-CNN系列的第一代算法，其实没有过多的使用“深度学习”思

想，而是将“深度学习”和传统的“计算机视觉”的知识相结合。比如R-CNN

pipeline中的第二步和第四步其实就属于传统的“计算机视觉”技术。使用

selective search提取region proposals，使用SVM实现分类。

原论文中R-CNN pipeline只有4个步骤，光看上图无法深刻理解R-CNN处理机

制，下面结合图示补充相应文字

1. 预训练模型。选择一个预训练（pre-trained）神经网络（如

AlexNet、VGG）。

2. 重新训练全连接层。使用需要检测的目标重新训练（re-train）最后全

连接层（connected layer）。

3. 提取 proposals并计算CNN 特征。利用选择性搜索（Selective

Search）算法提取所有proposals（大约2000幅images），调整

（resize/warp）它们成固定大小，以满足 CNN输入要求（因为全连接

层的限制），然后将feature map 保存到本地磁盘。

4. 训练SVM。利用feature map 训练SVM来对目标和背景进行分类（每

个类一个二进制SVM）

5. 边界框回归（Bounding boxes Regression）。训练将输出一些校正因

子的线性回归分类器

R-CNN

实

验

结

果

R-CNN在VOC 2007测试集上mAP达到58.5%，打败当时所有的目标检测算法。

8.2.2 Fast R-CNN

Fast R-CNN

有

哪

些

创

新

点

？

1. 只对整幅图像进行一次特征提取，避免R-CNN中的冗余特征提取

2. 用RoI pooling层替换最后一层的max pooling层，同时引入建议框数

据，提取相应建议框特征

3. Fast R-CNN网络末尾采用并行的不同的全连接层，可同时输出分类结

果和窗口回归结果，实现了end-to-end的多任务训练【建议框提取除

外】，也不需要额外的特征存储空间【R-CNN中的特征需要保持到本

地，来供SVM和Bounding-box regression进行训练】

4. 采用SVD对Fast R-CNN网络末尾并行的全连接层进行分解，减少计算

复杂度，加快检测速度。

Fast R-CNN

介

绍

Fast R-CNN是基于R-CNN和SPPnets进行的改进。SPPnets，其创新点在于计

算整幅图像的the shared feature map，然后根据object proposal在shared

feature map上映射到对应的feature vector（就是不用重复计算feature map

了）。当然，SPPnets也有缺点：和R-CNN一样，训练是多阶段（multiple-

stage pipeline）的，速度还是不够"快"，特征还要保存到本地磁盘中。

将候选区域直接应用于特征图，并使用RoI池化将其转化为固定大小的特征图

块。以下是Fast R-CNN的流程图

RoI Pooling

层

详

解

因为Fast R-CNN使用全连接层，所以应用RoI Pooling将不同大小的ROI转换为

固定大小。

RoI Pooling 是Pooling层的一种，而且是针对RoI的Pooling，其特点是输入特征

图尺寸不固定，但是输出特征图尺寸固定（如7x7）。

什么

是

RoI

呢

？

剩余53页未读，继续阅读

内容反馈

VashtaNerada

粉丝: 18
资源: 297

上传资源快速赚钱

我的内容管理展开

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

前往需求广场，查看用户热搜

第八章_目标检测1

评论0

最新资源

第八章_目标检测1

评论0

08_第八章_目标检测1

第八章_目标检测.pdf

DeepLearning深度学习教程_第八章_目标检测.pdf

新课标初三化学第八章新思维教学目标检测 试题.doc

第八章 目标代码运行时刻环境的组织1

DeepLearning-深度学习 经验总结合集-共18章.zip

XXXX第8章运动目标检测及测速.pptx

智能视频监控中目标检测与识别

利用YOLOv5提高拥挤场景中的目标检测性能.docx

数字图像处理：第八章 目标的表达与描述.ppt

安徽省蚌埠铁中2014届高中化学 第八章 章末检测

传感器与检测技术：第八章 光电式传感器.pptx

第八章目标市场营销战略PPT课件

市场营销学 第八章 目标市场战略.ppt

人工智能-第八章.pptx

北京市2010～2011学年度八年级物理第二章目标检测无答案人教新课标版.rar

探索多任务学习在YOLOv6实时目标检测中的应用.docx

第八章 目标市场战略.ppt

绩效管理模块3第八章目标管理法.pptx

初二下学期物理第八章检测卷(含答案).docx

第八章 安全目标和安全保证体系及措施.doc

七年级数学下第八章~第九章检测【苏教版】精选.doc

opencv计算机视觉实战-图像处理-深度学习-疲劳检测-人脸关键点定位-目标追踪-全景图像-拼接-停车场车位识别-文档扫描OC

MMLAB实战系列视频教程|MMLAB视频教程

python实现单目标、多目标、多尺度、自定义特征的KCF跟踪算法(实例代码)

电工量计及检测运用应用技术第八章.ppt

第八章目标程序运行时的存储组织1.pptx

最新资源

新课标初三化学第八章新思维教学目标检测试题.doc

第八章目标代码运行时刻环境的组织1

DeepLearning-深度学习经验总结合集-共18章.zip

数字图像处理：第八章目标的表达与描述.ppt

安徽省蚌埠铁中2014届高中化学第八章章末检测

传感器与检测技术：第八章光电式传感器.pptx

市场营销学第八章目标市场战略.ppt

第八章目标市场战略.ppt

第八章安全目标和安全保证体系及措施.doc