目标检测模型和Objectness的知识

作者：Nathan Zhao
编译：ronghuaiyang

导读

在本文中，我们将讨论目标检测模型和Objectness的基础知识。

什么是物体检测模型？

物体检测模型本质上，正如其名称所示，检测物体。这意味着给定一个图像，它可以告诉你物体在哪里，以及这个物体是什么。例如，在上面的图像中，我们有许多物体，并且使用物体检测模型，我们已经检测出不同的物体在图像中的位置。

这类模型有很多应用。举几个例子，物体检测在以下方面很有用：

自动驾驶汽车，可以检测到乘客、其他车辆、红绿灯和停车标志。

安保，模型可以探测到公共区域的枪支或炸弹，并向附近的警察报警。

总的来说，这类模型非常有用，在过去几年里，机器学习社区已经对它们进行了大量的研究。

物体检测中区域建议的介绍

首先，让我们了解一下物体检测模型是如何工作的。首先，我们必须给出一个物体的建议位置。我们把这个建议的位置称为我们感兴趣的区域，通常显示在一个边界框(也称为图像窗口)中。根据物体检测模型的类型，我们可以通过许多不同的方式来实现这一点。

朴素方法：我们将图像分割成多个部分，并对每个部分进行分类。这种方法效率低下是因为必须对每个生成的窗口应用分类网络(CNN)，导致计算时间长。

滑动窗口方法：我们预先确定好窗口比例(或“锚”)，然后滑过图像。对于每个窗口，我们处理它并继续滑动。与朴素方法类似，这种方法生成的窗口较多，处理时间也比较长。

选择性搜索：使用颜色相似度，纹理相似度，和一些其他的图像细节，我们可以用算法将图像分割成区域。虽然选择性搜索算法本身是耗时的，但这使得分类网络的应用需求较少。

区域建议网络：我们创建一个单独的网络来确定图像中感兴趣的区域。这使得我们的模型工作得更快，但也使得我们最终模型的准确性依赖于多个网络。

上面列出的这些不同选项之间有一些区别，但一般来说，当我们加快网络的处理时间时，我们往往会牺牲模型的准确性。

区域建议机制的主要问题是，如果建议的区域不包含物体，那么你的分类网络也会去分类这个区域，并给出一个错误的标记。

那么，什么是Objectness？

Objectness本质上是物体存在于感兴趣区域内的概率的度量。如果我们Objectness很高，这意味着图像窗口可能包含一个物体。这允许我们快速地删除不包含任何物体的图像窗口。

如果一幅图像具有较高的Objectness，我们期望它具有：

在整个图像中具有唯一性

物体周围有严格的边界

与周围环境的外观不同

例如，在上面的图像中，我们期望红色框具有较低的Objectness，蓝色框具有中等的Objectness，绿色框具有较高的Objectness。这是因为绿色的框“紧密”地围绕着我们的物体，而蓝色的框则很松散，而红色的框根本不包含任何物体。

我们如何度量Objectness？

有大量的参数影响图像窗口的objectness。

多尺度显著性：这本质上是对图像窗口的外观独特性的度量。与整个图像相比，框中唯一性像素的密度越高，该值就越高。

颜色对比度：框内像素与建议图像窗口周围区域的颜色对比度越大，该值越大。

边缘密度：我们定义边缘为物体的边界，这个值是图像窗口边界附近的边缘的度量值。一个有趣的算法可以找到这些边缘：https://cv-tricks.com/opencv-dnn/edge-detection-hed/。

超像素跨越：我们定义超像素是几乎相同颜色的像素团。如果该值很高，则框内的所有超像素只包含在其边界内。

超像素区域以不同颜色显示。请注意，框内的超像素大部分不会泄漏到图像窗口之外。因此，这个“超素跨界”值将会很高。

以上参数值越高，objectness越高。试着将上述参数与我们前面列出的具有高objectness的图像的期望联系起来。

英文原文：https://medium.com/@zhao.nathan/understanding-objectness-in-object-detection-models-5d8c9d032488
本文转自：AI公园，作者：Nathan Zhao，编译：ronghuaiyang，
转载此文目的在于传递更多信息，版权归原作者所有。

审核编辑：何安