點擊上方「計算機視覺life」，選擇「星標」
快速獲得最新乾貨
本文轉自AI公園
作者：Nathan Zhao
編譯：ronghuaiyang
在本文中，我們將討論目標檢測模型和Objectness的基礎知識。
什麼是物體檢測模型？物體檢測模型本質上，正如其名稱所示，檢測物體。這意味著給定一個圖像，它可以告訴你物體在哪裡，以及這個物體是什麼。例如，在上面的圖像中，我們有許多物體，並且使用物體檢測模型，我們已經檢測出不同的物體在圖像中的位置。
這類模型有很多應用。舉幾個例子，物體檢測在以下方面很有用：
自動駕駛汽車，可以檢測到乘客、其他車輛、紅綠燈和停車標誌。安保，模型可以探測到公共區域的槍枝或炸彈，並向附近的警察報警。總的來說，這類模型非常有用，在過去幾年裡，機器學習社區已經對它們進行了大量的研究。
物體檢測中區域建議的介紹首先，讓我們了解一下物體檢測模型是如何工作的。首先，我們必須給出一個物體的建議位置。我們把這個建議的位置稱為我們感興趣的區域，通常顯示在一個邊界框(也稱為圖像窗口)中。根據物體檢測模型的類型，我們可以通過許多不同的方式來實現這一點。
樸素方法：我們將圖像分割成多個部分，並對每個部分進行分類。這種方法效率低下是因為必須對每個生成的窗口應用分類網絡(CNN)，導致計算時間長。
滑動窗口方法：我們預先確定好窗口比例(或「錨」)，然後滑過圖像。對於每個窗口，我們處理它並繼續滑動。與樸素方法類似，這種方法生成的窗口較多，處理時間也比較長。
選擇性搜索：使用顏色相似度，紋理相似度，和一些其他的圖像細節，我們可以用算法將圖像分割成區域。雖然選擇性搜索算法本身是耗時的，但這使得分類網絡的應用需求較少。
區域建議網絡：我們創建一個單獨的網絡來確定圖像中感興趣的區域。這使得我們的模型工作得更快，但也使得我們最終模型的準確性依賴於多個網絡。
上面列出的這些不同選項之間有一些區別，但一般來說，當我們加快網絡的處理時間時，我們往往會犧牲模型的準確性。
區域建議機制的主要問題是，如果建議的區域不包含物體，那麼你的分類網絡也會去分類這個區域，並給出一個錯誤的標記。
那麼，什麼是Objectness?Objectness本質上是物體存在於感興趣區域內的概率的度量。如果我們Objectness很高，這意味著圖像窗口可能包含一個物體。這允許我們快速地刪除不包含任何物體的圖像窗口。
如果一幅圖像具有較高的Objectness，我們期望它具有：
例如，在上面的圖像中，我們期望紅色框具有較低的Objectness，藍色框具有中等的Objectness，綠色框具有較高的Objectness。這是因為綠色的框「緊密」地圍繞著我們的物體，而藍色的框則很鬆散，而紅色的框根本不包含任何物體。
有大量的參數影響圖像窗口的objectness。
多尺度顯著性：這本質上是對圖像窗口的外觀獨特性的度量。與整個圖像相比，框中唯一性像素的密度越高，該值就越高。
顏色對比度：框內像素與建議圖像窗口周圍區域的顏色對比度越大，該值越大。
邊緣密度：我們定義邊緣為物體的邊界，這個值是圖像窗口邊界附近的邊緣的度量值。一個有趣的算法可以找到這些邊緣：https://cv-tricks.com/opencv-dnn/edge-detection-hed/。
超像素跨越：我們定義超像素是幾乎相同顏色的像素團。如果該值很高，則框內的所有超像素只包含在其邊界內。
超像素區域以不同顏色顯示。請注意，框內的超像素大部分不會洩漏到圖像窗口之外。因此，這個「超素跨界」值將會很高。以上參數值越高，objectness越高。試著將上述參數與我們前面列出的具有高objectness的圖像的期望聯繫起來。