目标檢測基礎知識（1）–目标檢測任務描述

    本文是目标檢測基礎知識相關的第1次學習記錄，主要包括目标檢測的任務描述，目标檢測的常用算法。

目錄

• 目标檢測基礎知識（1）--目标檢測任務描述
• 0.參考部落格
• 1.目标檢測項目結構
• 2.目标檢測算法分類
• 3.目标檢測的任務
• 4.目标定位的簡單實作思路
• 5.分類與目标檢測的差別

0.參考部落格

1. 幹貨 | 目标檢測入門，看這篇就夠了（已更完）
2. 【目标檢測系列】經典論文回顧
3. 深度學習檢測小目标常用方法

1.目标檢測項目結構

    在目标檢測工程中，主要的項目結構包括三層，分别是資料采集層、深度模型層、使用者層，這三個層次的相關功能分别為：

1. 資料采集層：資料收集、标注資料；
2. 深度模型層：YOLO、SSD模型、模型導出、Serving部署；
3. 使用者層：前端互動、（Web背景）對接部署的模型。

2.目标檢測算法分類

    目前常用的目标檢測算法分成兩大類：2-stage和1-stage。

1. 兩步走（2-stage）的目标檢測：

   (1) 先找出候選的一些區域；

   (2) 對候選區進行調整、分類；

   (3) 代表算法：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN；

2. 端到端（1-stage）的目标檢測：

   （1）采用一個網絡，一步到位；

   （2）輸入待檢測圖檔，輸出有哪些物體，以及物體在什麼位置；

   （3）代表算法：YOLO、SSD；

    目标檢測不僅僅是分類這樣簡單的從一個圖檔輸出一個結果，而且還需要輸出圖檔中目标的具體位置資訊。

3.目标檢測的任務

    目标檢測的具體任務：

1. 類别：N個類别
2. 輸入：圖檔
3. 輸出：物體的類别、物體的位置坐标
4. 主要評估名額：IOU

    通過目标檢測算法最終得出來的物體位置資訊(x,y,w,h)有一個專業的名詞，叫做 bounding box(bbox) 。兩種類型的bounding box需要進行區分，分别如下：

1. ground-truth bounding box（GT）：圖檔中真實的目标位置（真實結果）；
2. Predicted bounding box：預測的标記框。

    物體位置的表示一般有兩種方式：

• （x,y,w,h）：其中x、y表示物體的中心點的位置，w、h表示中心點舉例物體兩邊的長和寬。
• （xmin,ymin,xmax,ymax）：表示物體的左上角和右下角的位置，其中xmin,ymin表示左上角的位置，xmax,ymax表示右下角的位置。

4.目标定位的簡單實作思路

    增加一段全連接配接層網絡輸出目标的4個位置，并進行相應的損失計算。FC1用于類别的輸出，FC2用于這個物體具體位置數值的輸出。假設有10個類别，輸出的機率值分别為：[p1,p2,…p10]，然後輸出這一個對象的四個位置資訊[x,y,w,h]，同時也要知道網絡需要輸出什麼内容，并且如何來衡量網絡的損失值：

• 對于分類的機率，使用交叉熵損失；
• 對于位置資訊的具體數值，可以使用MSE均方誤差損失（L2損失）。

  

5.分類與目标檢測的差別

    分類與定位：圖檔中隻有一個物體需要檢測；

    目标檢測：圖檔中有多個物體需要檢測。