作者：Nathan Zhao
編譯：ronghuaiyang

導(dǎo)讀

在本文中，我們將討論目標(biāo)檢測(cè)模型和Objectness的基礎(chǔ)知識(shí)。

什么是物體檢測(cè)模型？

物體檢測(cè)模型本質(zhì)上，正如其名稱(chēng)所示，檢測(cè)物體。這意味著給定一個(gè)圖像，它可以告訴你物體在哪里，以及這個(gè)物體是什么。例如，在上面的圖像中，我們有許多物體，并且使用物體檢測(cè)模型，我們已經(jīng)檢測(cè)出不同的物體在圖像中的位置。

這類(lèi)模型有很多應(yīng)用。舉幾個(gè)例子，物體檢測(cè)在以下方面很有用：

自動(dòng)駕駛汽車(chē)，可以檢測(cè)到乘客、其他車(chē)輛、紅綠燈和停車(chē)標(biāo)志。

安保，模型可以探測(cè)到公共區(qū)域的槍支或炸彈，并向附近的警察報(bào)警。

總的來(lái)說(shuō)，這類(lèi)模型非常有用，在過(guò)去幾年里，機(jī)器學(xué)習(xí)社區(qū)已經(jīng)對(duì)它們進(jìn)行了大量的研究。

物體檢測(cè)中區(qū)域建議的介紹

首先，讓我們了解一下物體檢測(cè)模型是如何工作的。首先，我們必須給出一個(gè)物體的建議位置。我們把這個(gè)建議的位置稱(chēng)為我們感興趣的區(qū)域，通常顯示在一個(gè)邊界框(也稱(chēng)為圖像窗口)中。根據(jù)物體檢測(cè)模型的類(lèi)型，我們可以通過(guò)許多不同的方式來(lái)實(shí)現(xiàn)這一點(diǎn)。

樸素方法：我們將圖像分割成多個(gè)部分，并對(duì)每個(gè)部分進(jìn)行分類(lèi)。這種方法效率低下是因?yàn)楸仨殞?duì)每個(gè)生成的窗口應(yīng)用分類(lèi)網(wǎng)絡(luò)(CNN)，導(dǎo)致計(jì)算時(shí)間長(zhǎng)。

滑動(dòng)窗口方法：我們預(yù)先確定好窗口比例(或“錨”)，然后滑過(guò)圖像。對(duì)于每個(gè)窗口，我們處理它并繼續(xù)滑動(dòng)。與樸素方法類(lèi)似，這種方法生成的窗口較多，處理時(shí)間也比較長(zhǎng)。

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(xì)節(jié)，我們可以用算法將圖像分割成區(qū)域。雖然選擇性搜索算法本身是耗時(shí)的，但這使得分類(lèi)網(wǎng)絡(luò)的應(yīng)用需求較少。

區(qū)域建議網(wǎng)絡(luò)：我們創(chuàng)建一個(gè)單獨(dú)的網(wǎng)絡(luò)來(lái)確定圖像中感興趣的區(qū)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(zhǔn)確性依賴(lài)于多個(gè)網(wǎng)絡(luò)。

上面列出的這些不同選項(xiàng)之間有一些區(qū)別，但一般來(lái)說(shuō)，當(dāng)我們加快網(wǎng)絡(luò)的處理時(shí)間時(shí)，我們往往會(huì)犧牲模型的準(zhǔn)確性。

區(qū)域建議機(jī)制的主要問(wèn)題是，如果建議的區(qū)域不包含物體，那么你的分類(lèi)網(wǎng)絡(luò)也會(huì)去分類(lèi)這個(gè)區(qū)域，并給出一個(gè)錯(cuò)誤的標(biāo)記。

那么，什么是Objectness？

Objectness本質(zhì)上是物體存在于感興趣區(qū)域內(nèi)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(gè)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：

在整個(gè)圖像中具有唯一性

物體周?chē)袊?yán)格的邊界

與周?chē)h(huán)境的外觀不同

例如，在上面的圖像中，我們期望紅色框具有較低的Objectness，藍(lán)色框具有中等的Objectness，綠色框具有較高的Objectness。這是因?yàn)榫G色的框“緊密”地圍繞著我們的物體，而藍(lán)色的框則很松散，而紅色的框根本不包含任何物體。

我們?nèi)绾味攘縊bjectness？

有大量的參數(shù)影響圖像窗口的objectness。

多尺度顯著性：這本質(zhì)上是對(duì)圖像窗口的外觀獨(dú)特性的度量。與整個(gè)圖像相比，框中唯一性像素的密度越高，該值就越高。

顏色對(duì)比度：框內(nèi)像素與建議圖像窗口周?chē)鷧^(qū)域的顏色對(duì)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(gè)值是圖像窗口邊界附近的邊緣的度量值。一個(gè)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(tuán)。如果該值很高，則框內(nèi)的所有超像素只包含在其邊界內(nèi)。

超像素區(qū)域以不同顏色顯示。請(qǐng)注意，框內(nèi)的超像素大部分不會(huì)泄漏到圖像窗口之外。因此，這個(gè)“超素跨界”值將會(huì)很高。

以上參數(shù)值越高，objectness越高。試著將上述參數(shù)與我們前面列出的具有高objectness的圖像的期望聯(lián)系起來(lái)。

英文原文：https://medium.com/@zhao.nathan/understanding-objectness-in-object-detection-models-5d8c9d032488
本文轉(zhuǎn)自：AI公園，作者：Nathan Zhao，編譯：ronghuaiyang，
轉(zhuǎn)載此文目的在于傳遞更多信息，版權(quán)歸原作者所有。

審核編輯：何安