[人工智能]【目标检测】YOLO、SSD、CornerNet原理介绍

目标检测是计算机视觉中比较简单的任务，用来在一张图篇中找到某些特定的物体，目标检测不仅要求我们识别这些物体的种类，同时要求我们标出这些物体的位置。其中类别是离散数据，位置是连续数据。

目标检测是基于监督学习的，每张图片的监督信息是它所包含的N个物体，每个物体的信息有五个，分别是物体的中心位置(x,y)和它的高(h)和宽(w)，最后是它的类别。

算法原理介绍

1. YOLO

YOLO的全称是you only look once，指只需要浏览一次就可以识别出图中的物体的类别和位置。因为只需要看一次，YOLO被称为Region-free方法，相比于Region-based方法，YOLO不需要提前找到可能存在目标的Region。也就是说，一个典型的Region-base方法的流程是这样的：先通过计算机图形学（或者深度学习）的方法，对图片进行分析，找出若干个可能存在物体的区域，将这些区域裁剪下来，放入一个图片分类器中，由分类器分类。

因为YOLO这样的Region-free方法只需要一次扫描，也被称为单阶段（1-stage）模型。Region-based方法方法也被称为两阶段（2-stage）方法。

• YOLO全系列介绍

• 非极大值抑制Non-Max Suppression

• 以下是YOLO算法遵循的确切维度和步骤：

  • 准备对应的图像（608,608,3）;
  • 将图像传递给卷积神经网络（CNN），该网络返回（19,19,5,85）维输出;
  • 输出的最后两个维度被展平以获得（19,19,425）的输出量：
    • 19×19网格的每个单元返回425个数字;
    • 425=5 * 85，其中5是每个网格的Anchor Boxes数量；
    • 85= 5+80，其中5表示（pc、bx、by、bh、bw），80是检测的类别数；
  • 最后，使用IoU和非极大值抑制去除重叠框。

2. SSD
3. CornerNet