目标探测介绍

任务

分类+获取坐标
目标探测
图片分割

思路

回归问题：利用神经网络进行目标识别，同样目标变为坐标值

该思路问题：在位置尝试识别，能够完成识别的地方就是目标位置
如何找到侯选位置？

假如你想构建一个汽车检测算法，步骤是，首先创建一个标签训练集，也就是x和y表示适当剪切的汽车图片样本，这张图片（编号1）x是一个正样本，因为它是一辆汽车图片，这几张图片（编号2、3）也有汽车，但这两张（编号4、5）没有汽车。出于我们对这个训练集的期望，你一开始可以使用适当剪切的图片，就是整张图片x几乎都被汽车占据，你可以照张照片，然后剪切，剪掉汽车以外的部分，使汽车居于中间位置，并基本占据整张图片。有了这个标签训练集，你就可以开始训练卷积网络了，输入这些适当剪切过的图片（编号6），卷积网络输出y，0或1表示图片中有汽车或没有汽车。训练完这个卷积网络，就可以用它来实现滑动窗口目标检测，具体步骤如下。

假设这是一张测试图片，首先选定一个特定大小的窗口，比如图片下方这个窗口，将这个红色小方块输入卷积神经网络，卷积网络开始进行预测，即判断红色方框内有没有汽车。

滑动窗口目标检测算法接下来会继续处理第二个图像，即红色方框稍向右滑动之后的区域，并输入给卷积网络，因此输入给卷积网络的只有红色方框内的区域，再次运行卷积网络，然后处理第三个图像，依次重复操作，直到这个窗口滑过图像的每一个角落。

为了滑动得更快，我这里选用的步幅比较大，思路是以固定步幅移动窗口，遍历图像的每个区域，把这些剪切后的小图像输入卷积网络，对每个位置按0或1进行分类，这就是所谓的图像滑动窗口操作。

重复上述操作，不过这次我们选择一个更大的窗口，截取更大的区域，并输入给卷积神经网络处理，你可以根据卷积网络对输入大小调整这个区域，然后输入给卷积网络，输出0或1。

再以某个固定步幅滑动窗口，重复以上操作，遍历整个图像，输出结果。

然后第三次重复操作，这次选用更大的窗口。

如果你这样做，不论汽车在图片的什么位置，总有一个窗口可以检测到它。

比如，将这个窗口（编号1）输入卷积网络，希望卷积网络对该输入区域的输出结果为1，说明网络检测到图上有辆车。

这种算法叫作滑动窗口目标检测，因为我们以某个步幅滑动这些方框窗口遍历整张图片，对这些方形区域进行分类，判断里面有没有汽车。

DPM

基本思想： 提取图像特征，制作出激励模版，在原
始图像滑动计算，得到激励效果图，根据激励分布确定
目标位置

1. 产生多个模版，整体模版以及不同局部模版
2. 不同模版同输入图片“卷积”产生特征图
3. 特征图组合形成融合特征
4. 对融合特征进行传统分类，回归，得到目标位置
5. 优点:
6. 方法直观简单
7. 运算速度快
8. 适应运动物体变形
   缺点:
9. 性能一般
10. 激励特征人为设计，工作量大
11. 大幅度旋转无法适应，稳定性差

RCNN

神经网络分类思想： 对多个位置，不同尺寸，用卷积神经网络判断区域内图片是不是某物
候选位置(proposal)提出方法：EdgeBox
RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。

    算法可以分为四步：

1）候选区域选择

    Region Proposal是一类传统的区域提取方法，可以看作不同宽高的滑动窗口，通过窗口滑动获得潜在的目标图像，关于Proposal大家可以看下SelectiveSearch，一般Candidate选项为2k个即可，这里不再详述；根据Proposal提取的目标图像进行归一化，作为CNN的标准输入。

2）CNN特征提取

    标准CNN过程，根据输入进行卷积/池化等操作，得到固定维度的输出；

3）分类与边界回归

    实际包含两个子步骤，一是对上一步的输出向量进行分类（需要根据特征训练分类器）；二是通过边界回归（bounding-box regression) 得到精确的目标区域，由于实际目标会产生多个子区域，旨在对完成分类的前景目标进行精确的定位与合并，避免多个检出。

R-CNN总结

优点

1. CNN用于目标探测，利用了CNN高效识别能力，大大提高性能
2. 摆脱人为设计物品模版，方法具有通用性
3. 分类＋回归，有了找到精确位置的可能

缺陷

1. 为了检测一个目标，所有候选区域计算，大量卷积运算，非常慢
2. SVM训练与CNN断裂，有效信息不能用于优化模型，not end－to－end。
3. 每一类单独训练，异常繁琐

FAST-RCNN

FASTER-RCNN

YOLO