【学习笔记-吴恩达】目标检测（Object Detection）

一、基本概念

Classification with localization：在图像识别的基础上，要把图像给“框”出来。

landmark detection：在一张图片中找到一些你想要的点的坐标。例如，你想要人脸的64个特征点的坐标。

目标检测（Object Detection）：给一个图片，找出这个图片中有哪些物体，把物体框起来，并标上类别。

1.1 Classification with localization

思路：如果假设一个图片里只有一个物体，那就可以在原来图像分类的CNN的基础上，让 $y$ 多五个值：是否检测到物体；物体的中心点的坐标、物体的长宽。

例如，假设Label有四种，那么若检测出了物体， $\hat{y}$ 的值就可以是：

$$\hat{y}=\left[\begin{array}{c}{p}_c\\ b_x\\ b_y\\ b_h\\ b_w\\ c_0\\ c_1\\ c_2\\ c_3\end{array}\right]=\left[\begin{array}{c}1\\ 0.1\\ 0.2\\ 0.3\\ 0.4\\ 0\\ 0\\ 1\\ 0\end{array}\right]\underrightarrow{含义为}\left[\begin{array}{c}检测到了物体\\ 该物体中心点的坐标为(0.1,0.2)\\ \\ 该物体长为0.3\\ 宽为0.4\\ \\ \\ 该物体的类别是第三种\\ \end{array}\right]$$

若没检测出物体，则 $\hat{y}$ 可能是：

$$\hat{y}=\left[\begin{array}{c}{p}_c\\ b_x\\ b_y\\ b_h\\ b_w\\ c_0\\ c_1\\ c_2\\ c_3\end{array}\right]=\left[\begin{array}{c}0\\ 0.3\\ 0.2\\ 0.5\\ 0.7\\ 0\\ 1\\ 0\\ 0\end{array}\right]\underrightarrow{含义为}\left[\begin{array}{c}未检测到物体\\ 剩下的想输出什么\\ 都无所谓，不管\\ \\ \\ \\ \\ \\ \end{array}\right]$$

对于损失函数，若 $y=1$ (即样本中存在物体)，则应该考虑 $\hat{y}$ 的所有字段，若 $y=0$，则只需要考虑第一个即可。

二、Landmark Detection

思路：让CNN的 $y$ 输出的是点的坐标。

例如，你想要找的是人脸的64个特征点的坐标，那你就可以让 $y$ 输出128个值，分别代表这64个坐标点。

其他应用：利用其可以做人体肢体检测

三、Object Detection

3.1 Sliding windows detection

实现目标检测的一个基本的思路：使用滑动窗口。

和卷积过程类似，让一个矩阵不断的向后向下移动，每次检测一个区域内的图片有没有物体，如果有，就可以用Classification with localization的方法标注出来。相当于每次检测都是通过一个CNN网络。

缺点：① 计算成本大 ② 窗口大小不好选择 ③ 目标物体可能正好夹在所有的窗口之间，即所有的窗口都不能很好的包裹住目标物体

计算慢的问题解决思路：先决定要将整个图片分成几个窗口，然后把整个图片输入CNN，对应的输出 $y$ 包含每个窗口的分类情况。（但这个方法仍不能解决②③问题）例如：

图一中，只有一个窗口（即整张图片），最后输出 $y$ 的维度为 1x1x4，即 1个窗口，4表示有四种类型（用的one-hot编码）

图二中，将16x16的图片分成四个窗口，CNN的输出 $y$ 的维度为 2x2x4，表示这4个窗口各自的类型

图三中，将28x28的图片分成64（8x8）个窗口，CNN的输出 $y$ 的维度为 8x8x4，即这64个窗口各自的类别

3.2 YOLO

YOLO（You only look once）是一种目标检测算法，思路为：将图片分成 $n\times n$ 窗口，然后将整张图片送给CNN，然后输出 $y$ 的维度为 $n\times n\times (5+k)$ ，其中 $k$ 为类别数，而 5 分别是：该窗口是否包含物体，物体的中心点坐标和物体的长宽。 即 输出的含义为 $n\times n$ 个窗口中每个窗口的物体情况。

例如：
这是一个100x100的图片，将其分成 3x3 个窗口，其中第4个和第6个包含汽车（当物体横跨多个窗口时，以物体中心点为准），对于每个窗口有8个数值，即 $[p_c,b_x,b_y,b_h,b_w,c_1,c_2,c_3]$：

1. 第1个参数 $p_c$ 表示该窗口是否有物体（1代表有，0代表没有）。当然，实际的输出是一个0到1之间的数，即有多少可能性该窗口有物体。所以这里涉及一个超参，即当该值小于多少时，就认为这个窗口没有发现物体。
2. 第2,3个参数 $b_x,b_y$ 表示该窗口中物体的中心点坐标。窗口的坐上角坐标为(0,0)，右下角为(1,1)。若该窗口不包含物体，那么这俩输出啥都无所谓。
3. 第3,4个参数 $b_h,b_w$ 表示物体的高和宽。由于物体可能横跨多个窗口，所以该值可能会大于1。（由于是整张图片送给CNN，并不是一个窗口一个窗口送，所以是可以检测出来的）
4. 最后三个是图片的类别

如果你担心一个窗口里可能包含多个物体时，你可将窗口调小（也就是窗口数量调多）

3.2.1 Non-max suppression

当你的窗口比较小时，有可能临近的好几个窗口都表示自己发现了物体（即几个临近的窗口都认为物体中心点在我这个窗口内），就会出现下图的场景：

图上面的数字是 $p_c$，含义为：该窗口有多大可能性它是对的。

面对这种情况，选择 $p_c$ 最大的即可（当然，$p_c$ 一定要大于你设置的阈值，例如，小于0.5的一律否决）。

3.2.2 Anchor box

虽然你的窗口已经足够小了，但是依然可能会出现两个物体的中心出现在同一个窗口内，重叠在一起的物体称为overlapping objects。

对于这种场景，可以使用Anchor box，让模型可以做到在一个窗口内识别多个对象。

思路为：之前 $y$ 只能包含一个物体，现在让 $y$ 可以多包含几个物体。例如，之前是

$$y=[p_c,b_x,b_y,b_h,b_w,c_1,c_2,c_3{]}^T$$

现在 $y$ 为

$$y_{new}=[y,y,\cdots {]}^T=[p_c,b_x,b_y,b_h,b_w,c_1,c_2,c_3,p_c,b_x,b_y,b_h,b_w,c_1,c_2,c_3,\cdots {]}^T$$

其中，每一个 $[p_c,b_x,b_y,b_h,b_w,c_1,c_2,c_3{]}^T$ 称为一个 Anchor box。 注意两点：① anchor box的数量小于等于类别数量；② 某个类别的物体在anchor box的位置最好固定，例如汽车类别都放在第二个anchor box上，别搞的有些汽车在第一anchor box，有些汽车在第二个。

举例，例如这张图片：

对于第8个窗口的标签 $y$ 如下：
$$y=[1,b_x,b_y,b_h,b_w,1,0,0,1,b_x,b_y,b_h,b_w,0,1,0{]}^T$$

如果某个窗口只有汽车，没有行人，那么 $y$ 如下：

$$y=[0,?,?,?,?,?,?,?,1,b_x,b_y,b_h,b_w,0,1,0{]}^T$$

四、 Evaluation

评价你的目标检测算法好不好

4.1 IoU（Intersection over union）（交并比）

IoU算法思路：让你的框和实际的框求交集，交集的面积占这两个框的总面积越大，则说明表现越好。

例如：
在该图中，紫色的框是你预测的，将其区域记为 $A$ ，红色的框是实际区域，将其记为 $B$。它们两个的交集则为 $A\cap B$，并集记为$A\cup B$ 那么，IoU就为：

$$\text{IoU}=\frac{|A\cap B|}{|A\cup B|}$$

显然，$\text{IoU}\in [0,1]$，IoU越大，表示模型表现越好，反之亦然。