2. 程式人生 > >目標檢測隨筆1——目標檢測簡要綜述

目標檢測隨筆1——目標檢測簡要綜述

阿新 • • 發佈：2019-02-14
對於目標類別檢測,相關研究工作一直是計算機視覺的研究熱點.特殊類別的目標檢測,例如人臉和行人,檢測技術已經較為成熟.Viola[21]提出基於AdaBoost演算法框架,使用Haar-like小波特徵分類,然後採用滑動視窗搜尋策略實現準確有效地定位.它是第一種能實時處理並給出很好檢測率的物體類別檢測演算法,主要應用於人臉檢測.Dalal[22] 提出使用影象區域性梯度方向直方圖（HOG）作為特徵,利用支援向量機（SVM）作為分類器進行行人檢測.更為普遍的目標檢測工作關注自然影象中一般類別的檢測.自然界的大部分物體具有運動能力,會發生非剛體形變,為此Felzenszwalb[23]提出了目標類別檢測最具影響力的方法之一多尺度形變部件模型（DPM）,繼承了使用HOG特徵和SVM分類器的優點.DPM目標檢測器由一個根濾波器和一些部件濾波器組成,元件間的形變通過隱變數進行推理.由於目標模板解析度固定,演算法採用滑動視窗策略在不同尺度和寬高比影象上搜索目標.後續工作採用不同策略加速了DPM的窮盡搜尋策略.
Malisiewicz[24]提出一種簡單高效的整合學習演算法用於目標類別檢測,該方法分別為每個正樣本訓練一個使用HOG特徵的線性SVM,通過整合每個樣本的線性SVM結果達到優良的泛化效能.Ren[25]認為先前基於HOG特徵的檢測方法中HOG特徵是人為設計的,判別能力弱且不直觀,為此提出一種基於稀疏表達學習理論的稀疏編碼直方圖特徵（HSC）,並用HSC代替DPM目標檢測演算法中HOG特徵,檢測準確率高於原方法.Wang[26]為去除DPM模型需要人為指定元件個數及元件間關係和窮盡搜尋的限制,提出了一種新的特徵表達方式Regionlets,採用選擇性搜尋策略對每個候選檢測包圍盒進行多種區域特徵的整合級聯式分類.Regionlets保留了目標的空間結構關係,靈活地描述目標,包括髮生形變的目標.2012年前,目標檢測中分類任務的框架就是使用人為設計的特徵訓練淺層分類器完成分類任務,最佳演算法是基於DPM框架的各種改進演算法.2012年,
Krizhevsky[27]提出基於深度學習理論的深度卷積神經網（DCNN）的影象分類演算法,使影象分類的準確率大幅提升,同時也帶動了目標檢測準確率的提升.Szegedy[28]將目標檢測問題看做目標mask的迴歸問題,使用DCNN作為迴歸器預測輸入影象中目標的mask.Erhan[29]使用DCNN對目標的包圍盒進行迴歸預測,並給出每個包圍盒包含類別無關物件的置信度.Sermanet[30]提出一種DCNN框架OverFeat,集成了識別、定位和檢測任務,為分類訓練一個CNN,為每個類訓練一個定位用CNN.OverFeat對輸入影象採用滑動視窗策略用分類模型確定每個視窗中目標的類別,然後使用對應類別的的定位模型預測目標的包圍盒,根據分類分數為每個類選出候選包圍盒進行合併,得到最終的檢測結果.與OverFeat不同,
R-CNN[31]採用選擇性搜尋策略而不是滑動視窗來提高檢測效率.R-CNN利用選擇性搜尋方法在輸入影象上選擇若干候選包圍盒,對每個包圍盒利用CNN提取特徵,輸入到為每個類訓練好的SVM分類器,得到包圍盒屬於每個類的分數.最後,R-CNN使用非極大值抑制方法（NMS）捨棄部分包圍盒,得到檢測結果.上述方法使用的DCNN結構基本源自Krizhevsky的7層網路結構設計,為了提高DCNN的分類和檢測準確率,Simonyan[32]和Szegedy[33]設計了層數22層的深度卷積神經網路,採用的檢測框架都類似R-CNN.目前,深度卷積神經網路是多個目標類別檢測資料集上的state of the art.

相關推薦

目標檢測隨筆1——目標檢測簡要綜述

對於目標類別檢測,相關研究工作一直是計算機視覺的研究熱點.特殊類別的目標檢測,例如人臉和行人,檢測技術已經較為成熟.Viola[21]提出基於AdaBoost演算法框架,使用Haar-like小波特徵分類,然後採用滑動視窗搜尋策略實現準確有效地定位.它是第一種能實時處理並給出很好檢測率的物體類別檢測演算法,主

吳恩達【深度學習工程師】 04.卷積神經網絡 第三周目標檢測 （1）基本的對象檢測算法

元素 需要 有關 卷積 訓練 特定 步長 來看 選擇 該筆記介紹的是《卷積神經網絡》系列第三周：目標檢測（1）基本的對象檢測算法 主要內容有： 1.目標定位 2.特征點檢測 3.目標檢測 目標定位 使用算法判斷圖片中是不是目標物體，如果是還要再圖片中標出其位置並

語義分割與目標檢測入門：若干經典工作綜述

語義分割 從原理上來說，語義分割就是畫素級別的分類，傳統的方法也是直接按照這個思路來做的，效率比較低，而從FCN開始，語義分割有了相對比較專用的方法。 0. 重要的資料集：PASCAL VOC和COCO 1. FCN 用於影象（N×M）分類的網路前端用卷積層提取特徵，後端用全連線層進

將目標檢測的xml目標繪製在影象中

用xml.etree.ElementTree庫來解析xml檔案 1.解析:ET.parse() 2.獲取根節點：getroot() 3.找節點用find() 和findall（） 4.    .text 是內容 #本程式碼用到.text    .tag 是題目

YOLOv2目標檢測_單目標_訓練自己資料全過程（自用）

1.    製作符合要求的VOC資料集 目標：製作如下格式的資料夾 格式： --VOC2017（大寫字母+數字） --Annotations（存放儲存標註資訊的xml） --ImageSets --Main（存放儲存圖片名的train.txttest.txt） --Layo

使用SSD模型檢測自定目標

SSD簡介 SSD（Single Shot MultiBox Detector）是深度學習領域一種新型的目標檢測演算法。在過去的幾次國際比賽中，SSD在速度和準確性方面均取得優異成績，與其他檢測演算法一度拉開很大差距。 SSD的演算法流程大體可以概括為產生候

基於神經網路的目標檢測論文之目標檢測系統：實時路況檢測系統的設計與實現

注：本文源自本人的碩士畢業論文，未經許可，嚴禁轉載！ 原文請參考知網：知網地址 第五章 實時路況檢測系統的設計與實現 物體識別技術被廣泛應用於人們的生產生活中。隨著深度學習與雲端計算的飛速發展，帶動了物體識別技術產生質的飛躍。高解析度影象和檢測的實時性要求越來越

應用OpenCV檢測自定義目標

最近做了一個目標檢測的應用，通過大量的待檢測目標的樣本進行訓練，得到分類器；然後輸入測試視訊，看分類器的檢測結果。主要應用了OpenCV自帶的工具：1.opencv\build\x86\vc10\bin下的opencv_createsamples.exe2.opencv\bu

基於深度學習的目標檢測及場景文字檢測研究進展

根據本人組會PPT總結整理，複習備用。一.目標檢測與場景文字檢測定義目標檢測：給定一張圖片或者視訊幀，找出其中所有目標的位置，並給出每個目標的具體類別。場景文字檢測：文字檢測（Text Detection）：對照片中存在文字的區域進行定位，即找到單詞或者文字行（word/li

視訊目標檢測中關於對檢測出的目標進行”安全處理“問題

最近做視訊的目標識別和追蹤計數，編譯連線均沒有問題，但是在測試時出現了問題，只要標出的box與視訊的邊界接觸就會出現程式崩潰，並提示出opencv的斷言提示：OpenCV Error: Assertion failed (0 <= roi.x && 0

【目標檢測實戰】目標檢測實戰之一--手把手教你LMDB格式資料集製作！

文章目錄 1 目標檢測簡介 2 lmdb資料製作 2.1 VOC資料製作 2.2 lmdb檔案生成 lmdb格式的資料是在使用caffe進行目標檢測或分類時，使用的一種資料格式。這裡我主要以目標檢測為例講解lmdb格式資料的製作。 1 目標檢測簡介 【1】目標檢測主要有兩個任務： 判斷影

Information:java: javacTask: 源發行版 1.8 需要目標發行版 1.8

java 需要 for level ctu mpi ctas 兩個 task 1，Project Structure裏確認兩個地方:Project sdk以及project language level 2，Project Structure->Modules裏Sou

Android內存優化1 內存檢測工具1 Memory Monitor檢測內存泄露

pri 二次 多個 內存泄漏 可選 分配內存 blog android .net 上篇說了一些性能優化的理論部分，主要是回顧一下，有了理論，小平同誌又講了，實踐是檢驗真理的唯一標準，對於內存泄露的問題，現在通過Android Studio自帶工具Memory Monitor

5.4.1 邊緣檢測—梯度運算元

影象中不連續的灰度值會產生邊緣，影象的邊緣檢測是基於邊界的影象分割方法，如分水嶺演算法，通常是分割原圖的梯度影象，梯度實際上也是反應的影象邊緣資訊。影象邊緣一般常用影象一階導數和二階導數來檢測。 梯度運算元對應於影象一階導數。影象一階導數計算一般是通過差分運算來近似的。VTK中可以使用vtkIm

網路穿透與音視訊技術（4）——NAT對映檢測和常見網路穿越方法論（NAT檢測實踐1）

2.2、檢測過程實戰——伺服器端 要進行NAT對映檢測，按照上文提到的檢測方式，我們就需要一個服務端檢測程式。並將服務端檢測程式部署到具有兩個外網IP的硬體環境下。 2.2.1、檢測要求 服務端程式至少需要做到以下功能： 檢測客戶端和當前伺服器端之間是否至

後端_IDEA_編譯報錯：javacTask: 源發行版 8 需要目標發行版 1.8

出現問題： Information:java: javacTask: 源發行版 8 需要目標發行版 1.8 問題原因：與JDK版本不一致。 解決方法： 第一步：開啟File>setting>Build,Execution,Deployment>Compiler>

解決錯誤Fatal error compiling: 無效的目標發行版: 1.8

錯誤描述：[ERROR] Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.2:compile (default-compile) on project taotao-manager-pojo: Fatal

走近人臉檢測（1）——基本流程

人臉檢測的任務就是判斷給定的影象上是否存在人臉，如果人臉存在，就給出全部人臉所處的位置及其大小。由於人臉檢測在實際應用中的重要意義，早在上世紀70年代就已經有人開始研究，然而受當時落後的技術條件和有限的需求所影響，直到上世紀90年代，人臉檢測技術才開始加快向前發展的腳步，

【學習opencv】實現霍夫變換（1）檢測直線

目前想對於霍夫圓檢測進行修改，想法是若能在固定圓心的橫座標的情景下去搜索圓，若要實現就需要對霍夫檢測有一定的深入瞭解。 霍夫變換原理 霍夫變換原理實則就是引數空間的轉變。 極座標轉換 首先因為直角座標系中垂直於x軸的直線不存在，即轉換用極座標表示

AdaBoost人臉檢測演算法1（轉…

原文地址：AdaBoost人臉檢測演算法1（轉） 作者：shl504 目前因為做人臉識別的一個小專案，用到了AdaBoost的人臉識別演算法，因為在網上找到的所有的AdaBoost的簡介都不是很清楚，讓我看看頭腦發昏，所以在這裡打算花費比較長