OpenMMlab AI实战营第四期培训

OpenMMlab实战营

第四次课2023.2.6

此次实战营的积分规则介绍：

学习参考

笔记建议结合ppt来学习使用，ppt中对应知识可以参照笔记的标题进行查看。

ppt：lesson4_ppt

b站回放：OpenMMLab AI 实战营

往期笔记：笔记回顾

相关学习推荐：

• 同济子豪兄（大佬）：子豪兄b站主页

• OpenMMlab主页：OpenMMla主页

• OpenMMlab Github仓库链接：Github OpenMMlab

• MMDetection Github仓库链接：Github MMDetection

• OpenMMlab 此次AI实战营的仓库：AI实战营github

一、什么是目标检测

与分类问题不同，目标检测的目标是在检测图像中物体类别的同时用矩形框框出所有感兴趣的物体。

例如：

• 相机中的人脸拍照识别，就需要先把人脸识别出来
• 智慧城市，垃圾检测、违章停车检测、危险行为检测等等
• 自动驾驶，环境感知、路线规划与控制

1.目标检测下游视觉任务

目标检测的一些具体的下游任务，例如：

• 两阶段光学字符识别算法
  • 首先检测出文字出现的区域
  • 识别区域中的文子
• 两阶段人体姿态估计算法
  • 人体检测（把图像中的人框出来）
  • 单人姿态估计（具体分析每个人的姿态是什么样的）

2.图像分类 v.s. 目标检测

我们从下表所示的不同点与相同点的角度来比较图像分类与目标检测：

二、目标检测实现

1.滑窗 Sliding Window

• 首先，设定一个固定大小的窗口
• 其次，遍历图像所有位置，所到之处使用已经训练好的分类模型，识别窗口的内容
• 为了检测不同大小、不同形状的物体，可以使用不同大小、长宽比的窗口来扫描图片

也就是下图所示的，我们通过窗口获取图像中一个区域的内容，然后将该区域的图像传入一个例如卷积神经网络去预测里面是什么东西，下图所示的窗口中没有任何物体，所有返回类别**“背景”**。随着窗口的滑动，我们的预测类别会有所不同。

2.滑窗的效率问题

计算成本过于大，如下图所示：

这1200个窗口都需要分别放入神经网络中去进行前向预测，所以计算量非常大。

3.改进思路

• 使用启发式算法替换暴力遍历
  • 例如 R-CNN，Fast R-CNN 中使用 Selective Search 产生提议框
  • 依赖外部算法，系统实现复杂，难以联合优化性能
• 减少冗余计算，使用卷积网络实现密集预测
  • 目前普遍采用的方式

基于第二种改进的思路我们可以做这样的分析，如果两个窗口之间有重合的部分，能否设计一些算法使其避免计算重复部分。

（1）消除滑窗中的重复计算

思路：用卷积一次性计算所有特征，再取出对应位置的特征完成分类

解释：

• 首先使用两层的卷积层提取出整张图片的特征图
• 然后窗口扫到那一部分，就从第二层的卷积层中取出相应区域的特征图后续实现分类任务
• 效果就是可以避免一些重叠区域重复计算特征（提前一次性全算好，随用随取）
  • 原图滑窗
    声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/2023面试高手/article/detail/563583