做跨境电商如何自建站,wordpress的缺点,百度如何购买关键词,网易企业邮箱怎么撤回已发送邮件在计算机视觉领域中#xff0c;目标检测#xff08;Object Detection#xff09;是一个具有挑战性且重要的新兴研究方向。目标检测不仅要预测图片中是否包含待检测的目标#xff0c;还需要在图片中指出它们的位置。2015 年#xff0c;Joseph Redmon, Santosh Divvala 等人… 在计算机视觉领域中目标检测Object Detection是一个具有挑战性且重要的新兴研究方向。目标检测不仅要预测图片中是否包含待检测的目标还需要在图片中指出它们的位置。2015 年Joseph Redmon, Santosh Divvala 等人提出第一个 YOLO 模型该模型具有实时性高、支持多物体检测的特点已成为目标检测领域热门的研究算法。本文主要介绍 YOLO 算法及其基本原理。 目录
1 YOLO 算法介绍
2 YOLO 算法原理
2.1 滑动窗口的卷积实现
2.2 非极大值抑制
2.3 Anchor Box 1 YOLO 算法介绍 在目标检测算法的发展过程中人们一开始采用 Proposal 图像分类的思路Proposal 用于预测目标位置分类用于识别目标的类别。这类算法被称为 Two-stage 算法例如 R-CNNFaster R-CNN 算法。 2015 年Joseph Redmon, Santosh Divvala 等人在《You Only Look Once: Unified, Real-Time Object Detection》论文中提出 YOLO 模型开启了 YOLO 算法的研究热潮。经过后来人们的不断改进YOLO 算法已经发展成为一个庞大的家族后来人们把第一个 YOLO 模型称为 YOLO v1 模型。 YOLO 检测算法的大致处理步骤
1调整输入图像的大小为 448 x 448
2使用卷积网络对输入图像执行一次预测
3对预测结果进行非极大值抑制。 YOLO 模型使用单个卷积网络同时预测多个边界框以及对应框的类别概率。与传统的目标检测方法相比这种统一的模型有以下优点 1YOLO 的预测速度快由于模型将检测框转化为回归问题因此只用一个网络同时输出目标的位置与分类信息 2YOLO 模型在进行预测时对图像进行全局推理。与基于滑动窗口和区域建议的技术不同YOLO 在训练和测试期间看到整个图像因此它隐式地学习关于类别及其形状的上下文信息。 参考论文链接
[1] You Only Look Once: Unified, Real-Time Object Detection
[2] YOLO9000: Better, Faster, Stronger 2 YOLO 算法原理 YOLO 算法把输入图像分成 S x S 个方格每个方格输出一个 B x 5 C 维的张量。这里B 是每个方格预测方框Bounding box的数目C 表示需要检测的对象类别数目。如果检测目标的中点落在某个方格内那么目标物体就由该方格进行检测与输出。 YOLO 算法采用了相对坐标的方法并使用 Logistic 激活函数使每个坐标的取值落在区间 0 到 1。目标检测网络在每个边界框处预测 5 个值分别是 和 . 如果单元格相对图像左上角偏移记为 并且先验边界框宽度、高度分别记为 对应的预测结果为 2.1 滑动窗口的卷积实现 YOLO v1 检测网络有 24 个卷积层以及最后的 2 个全连接层。中间交替的 1×1 卷积层用于减少先前层的特征数量。 相比 YOLO v1 模型YOLO v2 输出层使用卷积层代替全连接层。这样处理之后间接地使用卷积算子实现滑动窗口的功能滑动窗口移动的步长是卷积运算的步长。最终检测网络只需执行一次检测过程就可以同时输出不同区域的预测结果。 2.2 非极大值抑制 把输入图像分成多个方格的设计思路增强了网络检测多个物体的能力。通常一个待检测的对象由一个方格进行预测然而对于较大的检测对象同一个对象可能会触发多个预测框非极大值抑制Non-max suppression可以解决这个问题。 非极大值抑制的大致过程如下
1选择预测得分最高的预测框
2遍历剩下的预测框逐个计算 IoU 值
3如果 IoU 值超过阈值通常设为 0.5 或 0.6则丢弃预测框否则保留
4选择预测得分第二高的预测框重复 2~3步骤。 2.3 Anchor Box 当图像中存在两个物体且这两个物体的中点均落在同一个方格中时目标检测网络只能输出其中一个物体的位置结果。这时就需要引入 Anchor box 的设计思路。 Anchor box 的思路是预先定义两个形状不同的预测框然后重新定义预测标签。预测标签同时包含 anchor box1 与 anchor box2 的预测信息。在训练网络时检测对象会分配给包含其中点的方格并且具有较高 IoU 值的 anchor box。 由于这些预测框带有先验信息因此也被称为先验框。 相比手工选择的方式YOLO v2 模型对训练集的标注框进行了 k-means 聚类。在聚类个数 k 取 5 时模型在召回率与复杂性之间折衷。 【参考文献】
[1] Joseph Redmon, et al. “You only look once: Unified, real-time object detection.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
[2] Joseph Redmon, et al. “YOLO9000: Better, Faster, Stronger” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017.
