摘要：本文就目标检测算法的基础知识进行简要综述，方便大家学习查看。
本文分享自华为云社区《目标检测基础知识》，原文作者：lutianfei 。
图片分类任务我们已经熟悉了，就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题，即目标检测问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用边框或红色方框把汽车圈起来，这就是目标检测问题。本文就目标检测算法的基础知识进行简要综述，方便大家学习查看。
目标检测基础知识
网络的阶段之分
-
双阶段(two-stage)：第一级网络用于候选区域提取;第二级网络对提取的候选区域进行分类和精确坐标回归，例如 RCNN 系列。
-
单阶段(one-stage)：掘弃了候选区域提取这一步骤，只用一级网络就完成了分类和回归两个任务，例如 YOLO 和 SSD 等。
单阶段网络为何不如双阶段的原因
因为训练中的正负例不均衡。
-
负例过多，正例过少，负例产生的损失完全淹没了正例；
-
大多数负例十分容易区分，网络无法学习到有用信息。如果训练数据中存在大量这样的样本，将导致网络难以收敛。
双阶段网络如何解决训练中的不均衡
-
在 RPN 网络中，根据前景置信度选择最有可能的候选区域，从而避免大量容易区分的负例。
-
训练过程中根据交并比进行采样，将正负样本比例设为 1:3，防止过多负例出现。
常见数据集
Pascal VOC 数据集
分为 2007 和 2012 两个版本，其提供的数据集里包含了 20 类的物体。
PASCALVOC 的主要 5 个任务：
①分类：对于每一个分类，判断该分类是否在测试照片上存在（共 20 类）；
②检测：检测目标对象在待测试图片中的位置并给出矩形框坐标（boundingbox）；
③分割:对于待测照片中的任何一个像素，判断哪一个分类包含该像素（如果 20 个分类没有一个包含该像素，那么该像素属于背景）；
④人体动作识别（在给定矩形框位置的情况下）；
⑤LargeScaleRecognition（由 ImageNet 主办）。
导入图像对应的.xml 文件，在标注文件中的每一幅图像的每一个目标，对应一个体 dict
-
属性'boxes'
-
属性'gt_classes'
-
属性'gt_overlaps'
-
属性'flipped'
-
属性'seg_areas'
CoCo 数据集
分为 2014、2015、2017 三个版本
在 annotations 文件夹中对数据标注信息进行统一管理。例如，train2014 的检测与分割标注文件为 instances_train2014.json
objectinstances(目标实例)、objectkeypoints(目标关键点)、imagecaptions(看图说话)三种类型的标注
常见评价指标
True positives（TP）：被正确的划分到正例的个数，即实际为正例且被划分为正例的实例数。
False positives（FP）：被错误地划分为正例的个数，即实际为负例但被划分为正例的实例数。
False negatives（FN）：被错误的划分为负例的个数，即实际为正例但被划分为负例的实例数。
True negatives（TN）：被正确的划分为负例的个数，实际为负例且被划分为负例的实例数。
Precision = TP/(TP+FP)= TP/所有被模型预测为正例的数据
Recall = TP/(TP+FN) =TP/所有真实类别为正例的数据
PR 曲线
我们希望检测的结果 P 越高越好，R 也越高越好，但事实上这两者在某些情况下是矛盾的。
所以我们需要做的是找到一种精确率与召回率之间的平衡。其中一个方法就是画出 PR 曲线，然后用 PR 曲线下方的面积 AUC（AreaunderCurve）去判断模型的好坏。
IOU 指标
IoU 是预测框与 ground truth 的交集和并集的比值。
对于每个类，预测框和 ground truth 重叠的区域是交集，而横跨的总区域就是并集。
目标检测中的 PR
VOC 中 mAP 的计算方法
通过 PR 曲线，我们可以得到对应的 AP 值：
在 2010 年以前，PASCALVOC 竞赛中 AP 是这么定义的：
-
首先要对模型预测结果进行排序（即照各个预测值置信度降序排列）。
-
我们把 recall 的值从 0 到 1 划分为 11 份：0、1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0。
-
在每个 recall 区间（0-0.1,0.1-0.2，2-0.3，…，0.9-1.0）上我们计算精确率的最大值，然后再计算这些精确率最大值的总和并平均，就是 AP 值。
从 2010 年之后，PASCALVOC 竞赛把这 11 份 recall 点换成了 PR 曲线中的所有 recall 数据点。
对于某个 recall 值 r，precision 值取所有 recall>=r 中的最大值（这样保证了 p-r 曲线是单调递减的，避免曲线出现摇摆）这种方法叫做 all-points-interpolation。这个 AP 值也就是 PR 曲线下的面积值。
具体例子：
Coco 中 mAP 的计算方法
采用的是 IOU（用于决定是否为 TP）在[0.5:0.05:0.95]计算 10 次 AP，然后求均值的方法计算 AP。
非极大值抑制
NMS 算法一般是为了去掉模型预测后的多余框，其一般设有一个 nms_threshold=0.5，具体的实现思路如下：
1. 选取这类 box 中 scores 最大的哪一个，记为 box_best，并保留它
2. 计算 box_best 与其余的 box 的 IOU
3. 如果其 IOU>0.5 了，那么就舍弃这个 box（由于可能这两个 box 表示同一目标，所以保留分数高的哪一个）
4. 从最后剩余的 boxes 中，再找出最大 scores 的哪一个，如此循环往复
