0%

目标检测

1. 背景

两个子任务

  • 分类
  • 定位

2. 发展脉络

  1. 传统:HOG,DPM。速度慢、准确率不高
  2. Anchor based,计算Anchor比较耗时,且固定anchor降低了普适性
  3. two stage:RCNN,选框、resize、CNN、SVM $\to$ SPPNET提高了速度$\to$ faster RCNN 提取一个ROI来做处理,再选择候选框 $\to$ FPN,在不同尺度上效果更好
  4. one stage:YOLO,速度快精度低;SSD加入不同的检测分支
  5. Anchor free:
  6. CornerNet,将网络对边界框的检测转化为左上角、右上角的检测 $\to$ CenterNet, 检测目标中心点
  7. FCOS,不训练Anchor、不提Proposal

3. 评价方法

IOU

image-20220424172550611

Precision-Recall曲线

image-20220424172649320

面积越大,性能越好

mAP:越大越好,Mean Average Precision,考察了所有类的精度

4. 难点

  • 尺寸小
  • 背景复杂
  • 颜色对比度低

5. 五大技术

  • Multi-scale
  • Bounding Box regression
  • Context Prime
  • NMS

6. 模型加速

  • 轻量化网络
  • 卷积分解、bottle-neck、神经架构搜索
  • 模型压缩
  • 剪枝
  • Float to Int to Bool
  • 知识蒸馏
  • 数值加速

7. 提高精度

  • 特征提取网络,对于性能非常重要
  • Backbone
  • 特征融合
  • 目标定位:微调、新的损失函数CIOU
  • 语义分割
  • 旋转和尺度变化