这里简单记录和概述学习目标检测算法的心得，尽可能的详细一些，但限于写博客的一些语法和格式不是很好，所以请阅读者见谅！
概述：1、什么是目标检测
2、目标检测任务描述
2.1、目标检测算法分类(接下来我会更新常见的目标检测算法原理)
2.2、目标检测的常见指标
2.3、目标定位的简单实现
1、什么是目标检测
目标检测定义
识别图片中有哪些物体以及物体的位置（坐标位置）
什么是物体
即图像中存在的物体对象，但是能检测哪些物体会受到人为设定限制。
目标检测中能检测出来的物体取决于当前任务（数据集）需要检测的物体有哪些。假设我们的目标检测模型定位是检测动物（牛、羊、猪、狗、猫五种结果），那么模型对任何一张图片输出结果不会输出鸭子、书籍等其它类型结果。
什么是位置
目标检测的位置信息一般由两种格式（以图片左上角为原点(0,0)）：
- 极坐标表示：(xmin, ymin, xmax, ymax)
- xmin,ymin:x,y坐标的最小值
- xmin,ymin:x,y坐标的最大值
- 中心点坐标：(x_center, y_center, w, h)
- x_center, y_center:目标检测框的中心点坐标
- w,h:目标检测框的宽、高
假设这个图像是1000x800，所有这些坐标都是构建在像素层面上：
中心点坐标结果如下：
目标检测的技术发展历史
- 传统目标检测方法（候选区域+手工特征提取+分类器）
- HOG+SVM、DPM
- region proposal+CNN提取分类的目标检测框架
- (R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN)
- 端到端（End-to-End）的目标检测框架
- YOLO、SSD
2、目标检测任务描述
2.1 目标检测算法分类
-
两步走的目标检测：先进行区域推荐，而后进行目标分类
- 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN
-
端到端的目标检测：采用一个网络一步到位
- 代表：YOLO、SSD
2.2 目标检测的任务
2.2.1 分类原理
先来回顾下分类的原理，这是一个常见的CNN组成图，输入一张图片，经过其中卷积、激活、池化相关层，最后加入全连接层达到分类概率的效果
- 分类的损失与优化
在训练的时候需要计算每个样本的损失，那么CNN做分类的时候使用softmax函数计算结果，损失为交叉熵损失
- 常见CNN模型
对于目标检测来说不仅仅是分类这样简单的一个图片输出一个结果，而且还需要输出图片中目标的位置信息，所以从分类到检测，如下图标记了过程:
- 分类
- 分类+定位（只有一个对象的时候）
- 目标检测
2.3 检测的任务
分类：
- N个类别
- 输入：图片
- 输出：类别标签
- 评估指标：Accuracy
定位：
- N个类别
- 输入：图片
- 输出：物体的位置坐标
- 主要评估指标：IOU
其中我们得出来的(x,y,w,h)有一个专业的名词，叫做bounding box(bbox).
2.3.1 两种Bounding box名称
在目标检测当中，对bbox主要由两种类别。
- Ground-truth bounding box：图片当中真实标记的框
- Predicted bounding box：预测的时候标记的框
一般在目标检测当中，我们预测的框有可能很多个，真实框GT也有很多个。
2.4 检测的评价指标
| 任务 | description | 输入 | 输出 | 评价标准 |
|---|---|---|---|---|
| Detection and Localization (检测和定位) |
在输入图片中找出存在的物 体类别和位置(可能存在多种物体) |
图片(image ) | 类别标签(categories)和 位置(bbox(x,y,w,h)) |
IoU (Intersection over Union) mAP (Mean Average Precision) |
-
IoU（交并比）
- 两个区域的重叠程度overlap：侯选区域和标定区域的IoU值
2.5 目标定位的简单实现
在分类的时候我们直接输出各个类别的概率，如果再加上定位的话，我们可以考虑在网络的最后输出加上位置信息。
2.5.1 回归位置
增加一个全连接层，即为FC1、FC2
-
FC1：作为类别的输出
-
FC2：作为这个物体位置数值的输出
假设有10个类别，输出[p1,p2,p3,...,p10]，然后输出这一个对象的四个位置信息[x,y,w,h]。同理知道要网络输出什么，如果衡量整个网络的损失
- 对于分类的概率，还是使用交叉熵损失
- 位置信息具体的数值，可使用MSE均方误差损失（L2损失）
如下图所示
2.5.2 位置数值的处理
对于输出的位置信息是四个比较大的像素大小值，在回归的时候不适合。目前统一的做法是，每个位置除以图片本身像素大小。
假设以中心坐标方式，那么x = x/x_image,y/y_image, w/x_image,h/y_image,也就是这几个点最后都变成了0~1之间的值（归一化）。