(2)深度学习应用实例解析——目标检测案例解析_深度学习 目标检测 例程

作者：禅与计算机程序设计艺术

1.简介

目标检测（Object Detection）是计算机视觉领域的一个重要方向，其主要任务是从图像中识别出多个感兴趣的对象并给予其位置、大小等信息。其基本方法包括基于模板匹配、基于区域提议网络（Region Proposal Network，RPN）、基于卷积神经网络（Convolutional Neural Networks，CNN）的三种常用框架。本文将通过实践案例，全面讲述目标检测模型背后的原理及应用技术。

2.目标检测基本概念

2.1 目标检测算法框架

目标检测算法可以分成两大类：一类采用的是基于深度学习的方法，如Mask R-CNN、YOLOv3；另一类采用的是传统的特征点检测方法，如Harris角点、SIFT特征点、SURF特征点、ORB特征点等。其区别主要在于使用了怎样的特征表示、使用了怎样的回归预测、训练时如何对样本进行采样、使用了怎样的损失函数。下面给出两种不同算法框架的比较图:

1. Faster RCNN: 速度最快的目标检测器之一，其基本方法是利用卷积神经网络（CNN）提取出底层语义特征，然后利用深度学习技术进一步提取全局上下文特征。首先，利用region proposal network（RPN）生成候选区域（proposal），再利用CNN分类器和边界框回归器调整这些候选区域形状，最后通过非极大值抑制（non maximum suppression，nms）移除重复的结果。RPN和后续的CNN都可以微调学习。

2. SSD: Single Shot MultiBox Dete