Objection Detection Introduction

• 什麼是Object Detection
• How?
  • Loss Function
• 分類
• Reference

2-nd-DL-CVMarathon Learning Notes2

什麼是Object Detection

與一般基本的 CNN 分類器不同的是，Object Detection 能告訴你物件在照片中的位置，並同時能偵測多個不同的物件

How?

如何做到偵測物件在照片中的位置並同時能偵測多個不同的物件？

• 透過模型架構與 Loss Function 設計使我們能同時定位物件並偵測物件

Loss Function

儘管 Object Detetcion 的演算法很多種，Loss Function 都不會脫離兩大核心。

• Bounding Box Regression Loss 的其中一項就在學習怎麼將這個預測框精準的定位( 一種 Regression )，使其完整的包涵物件。

• Classification 當我們成功定位物件後，使用與一般 CNN 分類器相同的Loss ( Softmax+Cross Entropy )即可。

Object Detection 是同時在學習『定位』與『分類』這兩件事情，所以可以共享 CNN 層。

分類

• One Stage

  • 是一次到位。

  • 直接對 Default Bounding Box 進行回歸與分類。

    • Default Bounding Box :直接以 Pixels 為中心點提出『Region Proposal』

• Two Stage

  • 先找出 Region Proposal，再做回歸與分類

  • 方法

    • Selective Search 是圖像 segmentation 的一種，其主要是基於圖像的顏色，紋理，大小和形狀兼容計算相似區域的分層分組。

      • Hierarchical Grouping Algorithm

        1. 計算所有鄰近區域之間的相似性
        2. 兩個最相似的區域被組合在⼀起
        3. 計算合併區域和相鄰區域的相似度
        4. 重複 2、3 過程，直到整個圖像變為多個地區，，由於 RCNN 預設是 1000-2000 個proposal，所以分到一定數量左右就會停止。

      • Diversification Strategies

        1. 利用各種不同不變性的色彩空間
        2. 採用不同的相似性度量，如顏色、紋理、尺度等。

    • RPN

兩者主要差異在於是否需要『透過特定運算算法』來提出可能包含物件的『框 ( Region Proposal )』

Reference

• Object Detection Sliding Window
• Selective Search 原理與教學