目标检测发展与综述 |
您所在的位置：网站首页 › 目标检测项目介绍范文 › 目标检测发展与综述 |
目标检测发展与综述
|
目标检测发展与综述
绪论
在github上的git主hoya012整理了关于目标检测的相关论文，点击此处可获取原文链接GitHub - hoya012/deep_learning_object_detection: A paper list of object detection using deep learning.这里还有关于目标检测综述的相关论文链接
链接1：《Deep Learning for Generic Object Detection A Survey》来自 转载翻译博文链接 深度学习目标检测的论文集及概述_xiaobai_Ry的博客-CSDN博客相关翻译的博客推荐 目标检测发展史_樨潮的博客-CSDN博客_目标检测方法的发展历程和相关改进方法链接2：《Object Detection in 20 Years: A Survey》来自 相关翻译的博客推荐深度学习目标检测综述 - 知乎https://blog.csdn.net/qq_38906523/article/details/80507676?biz_id=102&spm=1018.2118.3001.4187继往开来！目标检测二十年技术综述_算法近20年最全目标检测综述（第二期）_计算机视觉研究院的博客-CSDN博客 在下面的某些部分，我会引用上述提及的文献，这里先做一下声明。 一、目标检测的背景及意义 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。 二、目标检测的定义 1.目标检测的任务：找出图像中所有感兴趣的目标（物体），并获得这一目标的类别信息和位置信息【位置和大小】（classification + localization）。 目标检测=分类+定位 2,与分类的区别：相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因此检测模型的输出是一个列表，列表的每一项使用一个数组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。 3.与分割的区别：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。 4.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。 5.目标检测的过程：传统的目标检测方法一般分为三个阶段：首先在给定的图像上选择一些候选区域，然后对这些区域提取特征，最后使用分类器进行分类。 6.目标检测面临的难点：
图来源于 Deep Learning for Generic Object Detection: A Survey 高准确度（Loc acc.+Reg acc.） 对类内形变的鲁棒性 同类物体有很多不同的实例（不同纹理/颜色/材质等）目标实例的多样性（姿态/非刚性形变等）采样过程的条件和环境的影响（光照/尺度/遮挡/阴影/污迹/角度/背景）图像噪声（采样过程的噪声/滤波器影响/压缩的噪声等）高的可区分性 类间的相似性目标物体类别多样高效性（时间、内存效率） 实际中目标类别成千上万需要定位并辨别目标类别目标的可能定位数量太多图像/视频数据太多 三、目标检测的发展 1.目标检测近20年的发展以AlexNet为分界线，2012年之前为传统算法，2013年之后为深度学习算法。
图来源于《Object Detection in 20 Years: A Survey》
从上述可知，主要分为传统和深度两种情况： 传统方法比如我们所熟知的V-J检测、HOG检测、DPM算法。深度学习方法截然不同的分为两条技术路径：单阶段检测算法与两阶段检测算法。 目标检测的相关里程碑在《Deep Learning for Generic Object Detection: A Survey》中，作者罗列出相关网络及论文的进程，并表明红色加粗部分为必看论文。
图来源于《Deep Learning for Generic Object Detection: A Survey》 在过去的20年，相关的里程碑如下图所示：
图来源于《Deep Learning for Generic Object Detection: A Survey》 四、目标检测分类综合看的博客和知乎，我觉得下面几个图概括得挺好的 简单来看
细分
图来源于基于深度学习的目标检测算法综述（一） - 知乎 基于深度学习的目标检测算法综述（一） - 知乎 比较推荐
图来源于目标检测——目标检测方法的综述_鬼刀-CSDN博客_常用的目标检测方法https://blog.csdn.net/gaoyu1253401563/article/details/86477942?depth_1- 五、目标检测常见数据集及常见数据集格式0.说明 有关更多数据集的介绍与格式转换，可参考我的另外两篇博客： 目标检测的数据集格式说明总和 VOC格式、Yolo格式、Coco格式的转换（实践篇）1. 最常见的数据集 Pascal VOCCOCO2. 常见的数据集格式 VOC格式（jpg+xml）COCO格式（json)Yolo格式(txt)3. 常见数据集的概况
图来源于《Deep Learning for Generic Object Detection: A Survey》 4.数据集的区别展示
图来源于《Object Detection in 20 Years: A Survey》 六、目标检测常见评价指标 主要评价指标通常有三个： MAP（平均准确度均值，精度评价）检测速度（FPS即每秒处理的图片数量或者处理每张图片所需的时间，当然必须在同一硬件条件下进行比较）召回率（Recall）= (TP)/(TP+FN)：每个类被正确分类的概率其他性能指标 准确率 （Accuracy）精确率（Precision）混淆矩阵 （Confusion Matrix）precision-recall曲线平均正确率（AP）ROC曲线（Receiver Operating Characteristic）AUC曲线（Area Under Curve）即为ROC曲线下的面积。交除并IOU（Intersection Over Union):预测框A和真实框B的重叠程度非极大值抑制（NMS） 七、目标检测效果对比在《Object Detection in 20 Years: A Survey》，作者指出相关网络在不同数据集上的map评价情况，如下图所示：
同样在《Deep Learning for Generic Object Detection: A Survey》，作者指出相关网络在不同数据集上的map评价情况，如下图所示：
|
【本文地址】
今日新闻 |
推荐新闻 |