一、核心定义与目标

目标检测 的任务是：

1. 识别出图像中有什么物体（分类问题）。
2. 定位出每个物体在图像中的具体位置（回归问题）。

输出通常是一个列表，每个物体包含：

• 边界框：一个矩形框，常用 (x_min, y_min, x_max, y_max) 或 (x_center, y_center, width, height) 表示。
• 类别标签：如“人”、“汽车”、“狗”。
• 置信度分数：模型对该预测的把握程度（0~1之间）。

与相关任务的对比：

• 图像分类：只回答“图像里主要是什么？”（如：这是一张猫的图片）。
• 目标检测：回答“图像里有什么，它们分别在哪？”（如：图中有3个人和1只狗，并给出它们的位置框）。
• 语义分割：为图像的每一个像素分类（如：所有属于“人”的像素被标记为同一类，不区分个体）。
• 实例分割：目标检测+语义分割，即区分每个独立的物体实例，并为每个实例的像素进行标记。

核心任务分解

1. 分类：

   • 判断边界框内的物体属于预定义类别中的哪一种（如COCO数据集的80类）。
   • 是一个多类别分类问题。

2. 定位：

   • 确定物体所在矩形框的精确坐标。
   • 是一个回归问题,模型需要预测出连续的空间坐标值。

关键概念与技术组件

1. 边界框：

   物体位置的数学表示,是目标检测的基础输出形式。

2. 交并比：

   • IoU 是衡量预测框与真实框重叠程度的指标。
   • IoU = 交集面积 / 并集面积
   • 用于评估定位精度、匹配预测与真实框（通常IoU > 0.5视为匹配成功）、以及在非极大值抑制中衡量框之间的重叠。

3. 非极大值抑制：

   • NMS 是后处理关键步骤，用于解决一个物体被多个边界框检测到的问题。
   • 步骤： a. 将所有预测框按置信度排序。 b. 选出置信度最高的框，加入最终输出列表。 c. 计算该框与剩余所有框的IoU，剔除IoU超过设定阈值（如0.5）的框（认为它们检测的是同一物体）。 d. 重复b、c步骤，直到所有框被处理。

4. 评估指标：

   • 精度：预测为正的样本中，真实为正的比例。
   • 召回率：所有真实为正的样本中，被正确预测出来的比例。
   • 平均精度：这是最核心的指标，在不同置信度阈值下，计算“精度-召回率”曲线下的面积。mAP 则是所有类别AP的平均值，是衡量模型整体性能的黄金标准。

主流方法演进

1. 传统方法（2014年前）：

   • 思路：区域选择（滑动窗口） -> 特征提取（如HOG, SIFT） -> 分类器分类（如SVM）。
   • 缺点：速度慢，精度低，窗口冗余。
   • 代表：Viola-Jones（人脸检测）, HOG + SVM。

2. 两阶段检测器：

   • 思路：生成候选区域 -> 对每个候选区域分类和微调边界框。
   • 特点：精度高，速度相对慢。
   • 代表系列：
     • R-CNN：开创性工作，但速度极慢。
     • Fast R-CNN：引入ROI Pooling，共享卷积特征，大幅提速。
     • Faster R-CNN：引入区域提议网络，实现端到端训练，成为两阶段标杆。

3. 一阶段检测器：

   • 思路：将图像网格化，直接在每个网格位置预测边界框和类别。
   • 特点：速度快，精度略低于同期两阶段模型，但不断改进。
   • 代表系列：
     • YOLO： “You Only Look Once”，将检测视为单一的回归问题，速度极快。
     • SSD： 在不同尺度的特征图上进行预测，对小物体检测更好。
     • RetinaNet： 提出Focal Loss，有效解决正负样本极端不平衡问题，使一阶段模型精度匹敌两阶段。

4. Anchor-Based vs. Anchor-Free：

   • Anchor-Based：Faster R-CNN, YOLOv2-v4, SSD，预先定义一系列不同大小和长宽比的“锚框”作为参考，模型预测的是相对于锚框的偏移量。
   • Anchor-Free：CornetNet, CenterNet, FCOS，摒弃锚框，直接预测关键点（如物体中心点或角点）或到边界框四边的距离，简化设计。

5. Transformer与端到端检测：

   • DETR：首次将Transformer成功应用于目标检测，将检测视为一个集合预测问题，完全摒弃了锚框、NMS等手工设计组件，实现真正的端到端。
   • 后续改进：如Deformable DETR，解决了DETR收敛慢、小物体检测差的问题。

重要数据集

• PASCAL VOC：早期基准数据集（20个类别）。
• MS COCO：当前最主流的基准数据集（80个类别），背景更复杂，物体更小、更密集，评估标准（mAP）更严格。
• Open Images：大规模数据集，包含更多类别和图像。

主要应用场景

• 自动驾驶：车辆、行人、交通标志检测。
• 视频监控：异常行为检测、人流统计。
• 智慧零售：客流量分析、货架商品检测。
• 医学影像：病灶检测与定位。
• 无人机与遥感：农田分析、城市规划、目标搜查。
• 智能手机：人像模式、AR特效、扫码。

目标检测的核心是 “定位+分类” ，其发展主线是从传统手工特征到基于深度学习的特征表达，从多步骤流水线到端到端一体化，从两阶段高精度到一阶段高效率，再到Anchor-Free和Transformer带来的新范式，理解 IoU、NMS、mAP、Anchor、两阶段/一阶段 这些核心概念，是掌握目标检测的基础。

标签： 核心定义 目标