[阅读笔记] For：Object Detection with Deep Learning: The Definitive Guide

文章指路：Object Detection with Deep Learning: The Definitive Guide

1 对比其他计算机视觉问题

1.1 图像分类

算是计算机视觉里比较著名的问题了，即一张图对应于多个类别概率，并取最高者为该图的标签。学术界内最为著名的一个数据集为 ImageNet 以及 它的竞赛 ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 。机遇与挑战并存。

1.2 目标定位

在解决生活中某些问题时比较实用，比如智能裁剪，裁剪出我们感兴趣的区域。

1.3 目标检测

将分类（对物体的分类）与定位结合起来，其实就是目标检测的任务。

1.4 实例分割

比目标检测更进一步，想要实现像素到像素的分类。

2 目标检测的一些应用场景

2.1 人脸检测

已经可以很方便地应用在摄像头上，检测人脸可以方便拍照时自动对焦，进一步可以实现人脸识别。

2.2 计数

比如人群计数，车流计数，农作物计数等等，可以将计算机视觉所见的原始数据转化为结构化数据。与无人机/卫星结合，可以看到更广更远，实现更丰富的计数应用。

2.3 搜索引擎

当你浏览某类商品时，它能自动化推荐出其他同类的商品，那么自然就是通过在各个地方检测出同类商品，并收集过来显示在页面上。

3 要实现目标检测所要面临的问题

1）多目标：不同于图像分类，目标检测面临的可能是大量的待检测的物体
2）多尺度：这些物体可能占据整张图片，也可能小到十几像素
3）多任务：一个模型要同时实现分类+定位的任务
4）数据集：数据集的好坏也决定了模型的好坏，但是构建数据集的成本较大

4 基于深度学习的目标检测

4.1 传统机器学习方法

1）定位：滑动窗口
2）提取特征：HOG，SIFT
3）分类：SVM
这里不进一步展开

4.2 深度学习模型

百家争鸣
1）OverFeat：提出了一种使用卷积神经网络 (CNN) 的多尺度滑动窗口算法。
2）R-CNN：将CNN应用到目标检测上的开山之作，主要方法为：

• 使用SS算法生成推荐区域
• 使用CNN提取特征
• 使用SVM作分类

问题：训练复杂；没有较好的分类方法；内部模型分离。

3）Fast R-CNN：R-CNN系列第二作，将分类与回归和特征提取网络耦合，接近于端到端（end-to-end）。
问题：区域框的生成算法是瓶颈。

4）Faster R-CNN：R-CNN系列第三作，其实就是RPN（Region Proposal Network）+Fast R-CNN。

5）YOLO系列：兼顾实时性和准确率的模型，是one-stage类型算法。

6）此外还有SSD，R-FCN等模型。

5 总结

总之，有问题存在，就意味着目标检测领域还有很大的上升空间，机遇与挑战并存，了解完前人的智慧后，站在巨人的肩膀上，将会有更多新方法诞生。