试读：目标检测定义及技术详解

news2024/11/18 0:37:50

1.通用目标检测Generic Object Detection定义

目标检测旨在从图像、视频或者类似高维数据中定位大量预定义类别的物体实例，原始的图像、视频或类似数据经过数据预处理后，进入目标检测模型进行前向预测，最终得到数据中每个实例的位置以及该实例的对应类别。

2.目标检测实际效果案例

3.通用目标检测常用公开数据集

3.1 Pascal VOC

20 classes
11,530 images
27,450 ROI annotated objects
6,929 segmentations

3.2 MS-COCO

Object segmentation
Recognition in context
Superpixel stuff segmentation
330K images (>200K labeled)
1.5 million object instances
80 object categories
91 stuff categories
5 captions per image
250,000 people with keypoints

4.目标检测算法归纳

4.1 基于深度学习的目标检测算法总结（2014-2019部分）

更多相关paper可以参考Object Detection in 20 Years: A Survey

4.2 目标检测算法的常用分类方式

4.2.1 基于anchor使用分类

anchor based
anchor free

4.2.2 基于bbox refine的次数分类

单阶段 one stage
两阶段 two stage
多阶段 multi stage

4.3 目标检测算法的通用结构

backbone
- ResNet
- ResNext
- SENet
- HRNet
- DCN
- EfficientNet
- ResNest
- Res2Net
- CBNET
- Nolocal
- $...$
neck
- FPN
- PANET
- NAS-fpn
- Bifpn
- $...$
head
- rcnn head
- cascade head
- double head
- $...$
post-process
- nms
- soft-nms
- $...$
loss
- cls
  - cross entropy
- regression
  - l1
  - iou
  - giou
  - diou
  - ciou
- $...$

4.4 目标检测算法的常用评估指标 mean Average Precision(mAP)

mAP定义及相关概念:
- mAP指的是各类别AP的平均值. AP指的是PR曲线下面积，下面会详细讲解
- PR曲线Precision-Recall曲线
- Precision: TP / (TP + FP)
- Recall: TP / (TP + FN)
- IoU （交并比 - Intersection Over Union (IOU)）：
  
  交并比（IOU）是度量两个检测框（对于目标检测来说）的交叠程度，使用两个框相交的面积除上并集的面积公式如下：
  
  IoU=aera(Bp⋂Bgt)aera(Bp⋃Bgt)IoU=aera(Bp⋂Bgt)aera(Bp⋃Bgt)
- TP: IoU>指定阈值的检测框数量（同一Ground Truth只计算一次）
- FP: IoU<=指定阈值的检测框，或者是检测到同一个GT的多余检测框的数量
- FN: 没有检测到的GT的数量

mAP的具体计算计算mAP必须先绘出各个类别的PR曲线，计算出AP。一般有两种方式来采样PR曲线：(i)在VOC2010以前，只需要选取当Recall >= 0, 0.1, 0.2, ..., 1共11个点时的Precision最大值，然后AP就是这11个Precision的平均值；(ii)在VOC2010及以后，需要针对每一个不同的Recall值（包括0和1），选取其大于等于这些Recall值时的Precision最大值，然后计算PR曲线下面积作为AP值. 来看一个简单的例子：

假设我们有 7 张图片（Images1-Image7），这些图片有 15 个目标（绿色的框，GT 的数量）以及 24 个预测边框（红色的框，A-Y 编号表示，并且有一个置信度值）

根据上图以及说明，我们可以列出以下表格，其中 Images 代表图片的编号，Detections 代表预测边框的编号，Confidences 代表预测边框的置信度，TP or FP 代表预测的边框是标记为 TP 还是 FP（认为预测边框与 GT 的 IOU 值大于等于 0.3 就标记为 TP；若一个 GT 有多个预测边框，则认为 IOU 最大且大于等于 0.3 的预测框标记为 TP，其他的标记为 FP，即一个 GT 只能有一个预测框标记为 TP），这里的 0.3 是按照实际评估需求取的阈值，实际应用中要结合业务需求来合理设置。

通过上表，我们可以绘制出 P-R 曲线（因为 AP 就是 P-R 曲线下面的面积。我们需要根据置信度从大到小排序所有的预测框计算出 P-R 曲线上各个点的坐标，然后就可以计算 Precision 和 Recall，见下表：

上图的计算方式可以这么理解：

标号为 1 的 Precision 和 Recall 的计算方式：

Precision=TP/(TP+FP)=1/(1+0)=1

Recall=TP/(TP+FN)=TP/(all ground truths)=1/15=0.0666
标号 2：

Precision=TP/(TP+FP)=1/(1+1)=0.5

Recall=TP/(TP+FN)=TP/(all ground truths)=1/15=0.0666
标号 3：

Precision=TP/(TP+FP)=2/(2+1)=0.6666

Recall=TP/(TP+FN)=TP/(all ground truths)=2/15=0.1333

其他的依此类推。有了上面所有的成对的Precision和Recall的值，就可以用这些P-R成对值来绘制PR曲线：