目標(biāo)檢測是屬于計(jì)算機(jī)視覺范疇的重要研究方向，傳統(tǒng)目標(biāo)檢測主要是基于統(tǒng)計(jì)或知識(shí)的方法，近年來，隨著深度學(xué)習(xí)的發(fā)展，對(duì)目標(biāo)檢測的研究逐漸由傳統(tǒng)機(jī)器視覺算法轉(zhuǎn)移到深度神經(jīng)網(wǎng)絡(luò)方向。
計(jì)算機(jī)理解圖像的任務(wù)表述可以分為分類、檢測、語義分割、實(shí)例分割4個(gè)層次，目標(biāo)檢測是其中一個(gè)層次。
圖1：圖像理解的4個(gè)層次 圖片來源：[1]
a是分類(Classification)，是將圖像分成不同的類別，只需輸出圖像對(duì)應(yīng)的類別，是最基礎(chǔ)的圖像理解任務(wù)，在應(yīng)用領(lǐng)域，人臉識(shí)別、手勢(shì)識(shí)別等都可以歸為分類任務(wù)。
b是檢測(Detection), 檢測是要根據(jù)大量預(yù)定義的類別同時(shí)獲得同一幀圖像中各種目標(biāo)的類別信息和位置信息，需要從圖像分離出目標(biāo)并輸出這一目標(biāo)的類別和位置，檢測模型的輸出通常是包含類別和位置的數(shù)據(jù)列表。
c是語義分割(Semantic segmentation)，語義分割是是對(duì)前背景分類的拓展，要分離開具有不同語義的圖像部分，也可對(duì)圖像像素級(jí)描述。
d是實(shí)例分割(Instance segmentation)，實(shí)例分割是檢測任務(wù)的拓展，要分離背景并描述出目標(biāo)的輪廓，對(duì)圖像像素級(jí)描述，適用于理解要求精細(xì)的場景。
一)傳統(tǒng)目標(biāo)檢測
1、基于知識(shí)的方法
核心思想是模塊化。以人臉檢測為例，它將人臉劃分成眼、鼻、嘴等各個(gè)模塊的組合，利用先驗(yàn)知識(shí)來識(shí)別各個(gè)模塊，同時(shí)基于各個(gè)模塊之間的距離來進(jìn)行人臉的識(shí)別。
2、基于統(tǒng)計(jì)的方法
主要基于統(tǒng)計(jì)學(xué)習(xí)，將整個(gè)待檢測圖片看作一個(gè)像素矩陣，利用其統(tǒng)計(jì)特性結(jié)合一些機(jī)器學(xué)習(xí)的算法進(jìn)行識(shí)別，例如Fisher線性判別。
二)深度學(xué)習(xí)目標(biāo)檢測
1.單階段(one-stage)檢測模型
單階段模型沒有中間的區(qū)域檢出過程，直接從圖片獲得預(yù)測結(jié)果，也被稱為Region-free方法，單階段模型只進(jìn)行一次類別預(yù)測和位置回歸，卷積運(yùn)算的共享程度更高，擁有更快的速度和更小的內(nèi)存占用。代表算法有YOLO、SSD算法等。
圖2：YOLO網(wǎng)絡(luò)架構(gòu) 圖片來源：[2]
YOLO論文鏈接：https://arxiv.org/abs/1506.02640
圖3：SSD網(wǎng)絡(luò)架構(gòu) 圖片來源：[3]
SSD論文鏈接：https://arxiv.org/abs/1512.02325
2. 兩階段(two-stage)檢測模型
兩階段模型對(duì)圖片分兩階段處理，也稱為基于區(qū)域(Region-based)的方法。例如RCNN是先提出若干可能包含物體的候選區(qū)域(即圖片的局部區(qū)域，稱為Region Proposal)，RCNN使用的是Selective Search算法;再在提出的這些區(qū)域上運(yùn)行分類網(wǎng)絡(luò)檢測出每個(gè)區(qū)域的物體。代表算法有RCNN、Fast-RCNN、Faster-RCNN 等。
圖4：RCNN網(wǎng)絡(luò)架構(gòu) 圖片來源：百度
RCNN論文鏈接：https://arxiv.org/abs/1311.2524
圖5：Fast-RCNN網(wǎng)絡(luò)架構(gòu) 圖片來源：百度
Fast-RCNN論文鏈接：https://arxiv.org/abs/1504.08083
進(jìn)入深度學(xué)習(xí)時(shí)代以來，目標(biāo)檢測發(fā)展主要集中在兩個(gè)方向：第一種是one stage算法，如YOLO系列，這類算法會(huì)直接在網(wǎng)絡(luò)中提取特征來預(yù)測物體分類和位置，這類算法速度快，但是準(zhǔn)確性要低一些。第二種是two stage算法，如RCNN系列，這類算法需要先生成region proposal(目標(biāo)候選框)，然后再對(duì)候選框進(jìn)行篩選、分類和回歸，這類算法準(zhǔn)確度較高，但是速度相對(duì)較慢。
隨著科技的發(fā)展，相信計(jì)算機(jī)視覺技術(shù)可以幫助我們提取、分析和理解更多更有用的信息，使我們的生活越來越智能化。
圖6：Faster-RCNN網(wǎng)絡(luò)架構(gòu) 圖片來源：
Faster-RCNN論文鏈接：https://arxiv.org/abs/1506.01497
[1]從R-CNN到RFBNet，目標(biāo)檢測架構(gòu)5年演進(jìn)全盤點(diǎn)
[2] You Only Look Once:Real-Time Object Detection
[3] SSD: Single Shot Multibox Detector
a&s傳媒是全球知名展覽公司法蘭克福展覽集團(tuán)旗下的專業(yè)媒體平臺(tái)，自1994年品牌成立以來，一直專注于安全&自動(dòng)化產(chǎn)業(yè)前沿產(chǎn)品、技術(shù)及市場趨勢(shì)的專業(yè)媒體傳播和品牌服務(wù)。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會(huì)資源以及豐富的媒體經(jīng)驗(yàn)，提供媒體、活動(dòng)、展會(huì)等整合營銷服務(wù)。
粵公網(wǎng)安備 44030402000264號(hào)
