目标检测 — CodeRoadMap目标检测
我们之前处理的图像分类模型会接收一张图片并输出一个类别结果，例如在 MNIST 问题中输出类别“数字”。然而，在许多情况下，我们不仅仅想知道图片中有物体，还希望能够确定它们的具体位置。这正是目标检测的核心所在。
图片来源：YOLO v2 网站
一种简单的目标检测方法
假设我们想在一张图片中找到一只猫，一种非常简单的目标检测方法如下：
- 将图片分割成多个小块。
- 对每个小块进行图像分类。
- 对于分类结果激活值足够高的小块，可以认为其中包含目标物体。
图片来源：练习笔记本
然而，这种方法远非理想，因为它只能非常粗略地定位物体的边界框。为了更精确地定位，我们需要进行某种回归来预测边界框的坐标——这需要特定的数据集。
用回归进行目标检测
这篇博客文章对检测形状进行了很好的入门介绍。
目标检测数据集
在进行目标检测任务时，你可能会遇到以下数据集：
目标检测评估指标
交并比（Intersection over Union）
对于图像分类来说，评估算法性能相对简单；但对于目标检测，我们需要同时评估类别的正确性以及推断出的边界框位置的精确性。后者通常使用交并比（IoU）来衡量两个框（或任意两个区域）的重叠程度。
图片来源：这篇关于IoU的优秀博客文章
其思想很简单——将两个图形的交集面积除以它们的并集面积。对于两个完全相同的区域，IoU值为1；对于完全不相交的区域，IoU值为0。其他情况下，IoU值介于0到1之间。我们通常只考虑IoU值超过某个阈值的边界框。
平均精度（Average Precision）
假设我们想评估某个类别$C$的识别效果。为此，我们使用平均精度（AP）指标，其计算方法如下：
- 绘制精度-召回曲线，显示检测阈值（从0到1）变化时的准确性。
- 根据阈值，我们会检测到图片中的更多或更少的物体，并得到不同的精度和召回值。
- 曲线如下所示：
类别$C$的平均精度是该曲线下的面积。更具体地说，召回轴通常分为10个部分，精度在这些点上取平均值：
$$
AP = {1\over11}\sum_{i=0}^{10}\mbox{Precision}(\mbox{Recall}={i\over10})
$$
AP与IoU
我们只考虑IoU超过某个阈值的检测结果。例如，在PASCAL VOC数据集中，通常假设$\mbox{IoU Threshold} = 0.5$，而在COCO数据集中，AP会针对不同的$\mbox{IoU Threshold}$值进行测量。
平均平均精度（Mean Average Precision - mAP）
目标检测的主要评估指标是平均平均精度（mAP）。它是所有类别的平均精度值，有时也会对$\mbox{IoU Threshold}$进行平均。更详细的mAP计算过程可以参考
这篇博客文章，以及这里的代码示例。
不同的目标检测方法
- 区域提议网络（R-CNN, Fast R-CNN, Faster R-CNN）。其核心思想是生成兴趣区域（ROI），并对其运行CNN以寻找最大激活值。这种方法与简单方法有些类似，但ROI的生成方式更为智能。这类方法的主要缺点是速度较慢，因为需要对图像进行多次CNN分类器的处理。
- 单次检测（YOLO, SSD, RetinaNet）方法。这些架构设计的网络能够在一次处理过程中同时预测类别和ROI。
R-CNN：基于区域的CNN
R-CNN使用选择性搜索生成ROI区域的层次结构，然后通过CNN特征提取器和SVM分类器确定物体类别，并通过线性回归确定边界框坐标。官方论文
图片来源：van de Sande et al. ICCV’11
F-RCNN - 快速R-CNN
这种方法与R-CNN类似，但区域是在应用卷积层之后定义的。
Faster R-CNN
这种方法的核心思想是使用神经网络预测ROI——即所谓的区域提议网络。论文，2016
R-FCN：基于区域的全卷积网络
这种算法比Faster R-CNN更快。其核心思想如下：
- 使用ResNet-101提取特征。
- 特征通过位置敏感得分图处理。每个类别$C$的物体被划分为$k\times k$区域，并训练预测物体的各部分。
- 对于$k\times k$区域中的每个部分，所有网络对物体类别进行投票，选择投票最多的类别。
YOLO - 只看一次
- 将图像划分为$S\times S$区域。
- 对每个区域，CNN预测$n$个可能的物体、边界框坐标和置信度=概率 * IoU。
其他算法
✍️ 练习：目标检测
总结
? 挑战
阅读以下关于YOLO的文章和笔记本，并尝试自己动手实践：
复习与自学
