检测概率和虚警概率_目标检测入门

1. 目标检测-任务概述

分类 VS 检测

• 分类问题&＃xff1a;所属类别
• 检测问题&＃xff1a;所属类别 &＃43; 物体位置

1.1 从分类到检测算法

设

为图片中的某个像素点&＃xff0c;

为其他位置&＃xff0c;由

可构成一个矩形框。

穷举图片中所有可能的矩形框

&＃xff0c;每个子区域当成一张图片来做分类。

候选区域&＃xff1a;每个

所代表的矩形框&＃xff0c;也被称为感兴趣区域(Region of Interest&＃xff0c;

1.2 目标检测的核心问题

• 如何产生候选区域&＃xff0c;并对它们进行标注&＃xff1b;
• 如何提取图像特征&＃xff0c;并将提取到的特征与候选区域的类别和位置进行关联。

1.3 目标检测算法

• 两阶段目标检测算法&＃xff1a;特征提取 -> 生成 Region Proposal -> 分类 &＃43; 位置调整(bounding box regression)

典型算法&＃xff1a; Faster-RCNN&＃xff0c; Pyramid Network

• 单阶段目标检测算法&＃xff1a;特征提取 -> 分类 &＃43; 位置调整(bounding box regression)

典型算法&＃xff1a;SSD&＃xff0c; YOLOv3&＃xff0c;RetinaNet

2. 目标检测基础知识

边界框&＃xff1a;正好能包含物体的矩形框&＃xff0c;bounding box, bbox。

真实框&＃xff1a;数据集标注中给出的目标物体对应的边界框&＃xff0c; ground truth box, 简称 gt_box。

预测框&＃xff1a;由模型预测出的可能包含目标物体的边界框&＃xff0c;prediction box, 简称 pred_box。

检测任务输出&＃xff1a;[L, P, x1, y1, x2, y2]&＃xff0c;L 是类别标签&＃xff0c;P 是所属类别的概率。一张图片会有多个预测框。

锚框&＃xff1a;以某种规则生成边界框&＃xff0c;经过位置调整后成为预测框&＃xff0c; anchors。

锚框的生成可参考程序&＃xff1a;

锚框和真实框的重合程度可以用指标 IOU&＃xff08;Intersection of Union&＃xff09;来衡量。

3. 目标检测的指标

• TP (True Positive)&＃xff1a; 正确的正样本。即检测器找出了样本区域&＃xff0c;正确的判断。
• FN (False Negative): 错误的负样本&＃xff0c;即检测器把样本区域判定为背景&＃xff0c;相当于『遗漏』。
• TN (True Negative): 正确的负样本。即检测器把背景判定为背景&＃xff0c;正确的判断。
• FP (False Positive): 错误的正样本。即检测器把背景判定为样本区域&＃xff0c;也叫『虚警』。

3.1 两个指标&＃xff1a;

• Precision

Precision - 正确率&＃xff0c;也即检测结果的正确率&＃xff1a;

• Recall

Recall - 召回率&＃xff0c;也即样本被检测出来的概率&＃xff1a;

3.2 如何判断检测器的好坏&＃xff1f;

对于检测算法&＃xff0c;每个框的输出如下&＃xff1a;

或者

confidence 代表当前框是目标的置信度&＃xff0c;

。

PR 曲线

调整

&＃xff0c;计算不同

下检测器的 Precison 和 Recall 值&＃xff0c;然后连接成曲线&＃xff0c;就是 PR 曲线。

从积分的角度来看&＃xff0c;PR 曲线下的面积就是检测器在各个

下的 AP(Average Precision)。当然&＃xff0c;AP 越高的检测器就越好。

3.3 mAP

关于多类别检测器&＃xff0c;考虑 mAP (mean Average Precision):

3.4 NMS

NMS(None Maximum Suppression)&＃xff0c;又名为非极大值抑制&＃xff0c;是目标检测框架种的后处理模块&＃xff0c;主要用于删除高度冗余的 bbox。

4. Faster-RCNN

5. YOLOv3

5.1 实现方案

参考

1. Paddle 深度学习应用公开课: https://www.bilibili.com/video/av83663267
2. NMS: https://zhuanlan.zhihu.com/p/50126479