当前位置：首页 > news >正文

深度学习入门课程学习笔记（第25周）

news 来源：原创 2025/6/22 20:45:17

摘要

本周报的目的在于汇报第25周的学习成果，本周主要聚焦于基于深度学习的目标检测领域算法的总体框架的学习。

在这本周的学习中，内容主要涵盖了目标检测算法的发展历程，包括发展历程和发展阶段，然后纤细说明了目标检测算法的分类以及实现流程。

本篇文章将对学习内容进行详细的阐述，并在最后部分对本周的学习内容进行总结。本周报旨在通过这种方式，将理论知识与实践应用有效地结合起来，为深度学习的基础内容学习与方向提供概括性总结。

Abstracts

The purpose of this weekly report is to present the learning outcomes of the 25th week, which mainly focuses on the overall framework of deep learning based object detection algorithms.

In this week's learning, the content mainly covers the development process of object detection algorithms, including the development process and stages, and then elaborates on the classification and implementation process of object detection algorithms in detail.

This article will provide a detailed explanation of the learning content and summarize the learning content for this week in the final section. This weekly report aims to effectively combine theoretical knowledge with practical applications in this way, providing a summary of the basic content and direction of deep learning learning learning.

一发展历程

深度学习出现之前，目标检测领域算法都是以手工设计特征为主，特点是泛化能力差，对于复杂场景的处理能力底下，性能孱弱。

如今的基于深度学习的目标检测算法使用的是以卷积神经网络（CNN）学习特征的方式，通过CNN能够提取更抽象更高维的特征，高维特征具有更强大的表征能力和泛化性，能够处理更复杂的场景，性能更加优秀。

基于深度学习的算法分为两类：

1. 两阶段（Two-Stage）算法，主要代表是R-CNN，精度高，速度慢
2. 一阶段（One-Stage) 算法，主要代表有 SSD，YOLO和Anchor-Free系列，精度不如两阶段算法，但是速度较快开销小，工业界广泛应用。

2014 R-CNN的提出标志目标检测算法进入深度学习时代，但是R-CNN耗时严重，难以投入实际应用，后来提出的SPP-Net,Fast R-CNN以及Faster R-CNN等算法提升了速度，基本达到应用要求。随着应用的增多，对于小目标的检测效果不理想这一问题也凸显出来。后来通过对特征融合方法的研究，提出FPN，Cascade R-CNN，M2Det等算法大幅改善了此问题。

二发展阶段

第一阶段：基于滑动窗口和人工特征提取。（2000年前后）

基于滑动窗口和人工特征提取的目标检测算法通过在图像上滑动窗口、提取特征、使用分类器进行判断，形成了一个系统的检测流程。尽管该方法在早期目标检测中取得了一定的成功，但随着深度学习的发展，基于卷积神经网络（CNN）的目标检测方法逐渐取代了这一传统方法。

缺点：计算复杂度高，复杂场景下处理能力不足，泛化性不足以及高度依赖算法的精巧性。

第二阶段：R-CNN算法作为开端（2014年至今）

基于深度学习的目标检测算法通过自动特征学习、候选区域生成、分类与定位、利用多尺度和上下文信息等方法，构建了一个高效、准确的目标检测框架。这些算法在多个应用场景中表现出色，推动了计算机视觉领域的发展。

优点：相比传统目标检测算法，具有速度快准确性强，泛化能力高，以及在复杂场景下鲁棒性更强的优点。

三、目标检测算法分类详细说明

滑动窗口技术的核心思想

滑动窗口技术的基本思想是通过在输入图像上以固定大小的窗口（或框）进行滑动，逐步扫描整个图像，检测每个窗口内是否包含目标。该方法的主要步骤包括生成不同位置的窗口、对每个窗口进行特征提取和分类。

（一）传统目标检测算法

传统的目标检测框架中包含了 3个阶段。下图框架

实现流程

1. 窗口定义

窗口大小：选择一个固定的窗口大小（例如，64x64像素），这个大小通常是根据目标的预期尺寸来决定的。
滑动步长：定义窗口在图像上滑动的步长（例如，5或10像素），步长的选择会影响检测的精度和计算效率。

2. 图像预处理

图像缩放：为了检测不同大小的目标，通常会对原始图像进行多次缩放，生成多个不同尺寸的图像。

3. 滑动窗口扫描

遍历图像：在每个缩放后的图像上，以定义的窗口大小和步长进行滑动，逐步扫描整个图像。对于每个位置的窗口，执行后续步骤。

4. 特征提取

特征计算：对于每个窗口，提取特征（例如，HOG（方向梯度直方图）、SIFT、SURF等）。这些特征用于表征窗口内的内容。

5. 分类

分类器：将提取的特征输入到分类器中（如支持向量机SVM或决策树），判断该窗口内是否包含目标。分类器会输出一个置信度分数，用于表示目标的存在性。

6. 非极大值抑制

去除冗余框：在多个窗口可能检测到同一目标的情况下，使用非极大值抑制（NMS）算法来去除冗余的边界框，保留置信度最高的框。

7. 结果输出

目标位置与类别：最终输出检测到的目标的位置（边界框坐标）和类别信息。

缺陷

在区域建议阶段，不同尺度的滑动窗口对输入图像进行多次遍历产生大量的感兴趣区域。后续步骤中，算法对这些区域进行特征抽取和分类的过程存在大量冗余计算开销，影响算法的运行速度。另外，滑动窗口只有几种固定的尺寸，通常不能与目标完美匹配。
特征抽取阶段仅能获取图像的低级特征。这些特征表达能力不足而且特征的有效性高度依赖具体任务。一旦检测目标有重大变动就要重新设计算法。
整个目标检测过程被割裂为独立的3个阶段，无法找到算法的全局最优解。算法的设计依赖设计者对检测目标和具体任务的先验知识。为了弥补这些缺陷，研究者不得不寻找更加精巧的计算方法对算法进行加速使算法能够满足实时性的要求同时设计更多元化的检测算法以弥补人工特征表达能力不足的缺陷。

（二）基于深度学习的目标检测算法

深度学习是一类能够通过监督、半监督或无监督的训练方法自动学习训练数据中隐藏的数据内部结构的一类多层神经网络算法。相比人工抽取低级特征，深度学习能够将输入图像中的像素数据转化为更高阶、更抽象化的层级特征。因此深度学习抽取到的特征比传统方法具有更强的表征能力和鲁棒性。这一优势使深度学习在计算机视觉领域的研究和应用中体现出不可替代的优越性。

由R-CNN为标志，开启的基于深度学习的目标检测模型可根据是否存在显式的区域建议分为两阶段算法与一阶段算法。代表性的两阶段算法模型有R-CNN，Fast R -CNN，SPP-Net等。下面进行简单的介绍。

两阶段目标检测算法

1.R-CNN

在 2014年，Girshick Ｒ等人提出了Ｒ-CNN模型并在 Pascal VOC 2007数据集上实现了 58.5%的平均精度（mean Average Precision，mAP），在 Pascal VOC 2012上，平均精度(mean average precision，mAP)提升到了 53.3%。该成果比这以前的最好结果提升了30%，引起了学术界的广泛关注。
在这里插入图片描述

R-CNN算法的正向传播流程

输入图像
- 将输入图像传入网络，图像的尺寸通常为固定大小（例如，600x800像素）。
区域提议（Region Proposals）
- 使用选择性搜索（Selective Search）算法在输入图像中生成多个候选区域（Region Proposals），每个区域可能包含一个目标。选择性搜索会考虑颜色、纹理、大小和形状等特征，生成大约2000个候选区域。
特征提取
- 将每个候选区域（通常为矩形框）裁剪并缩放到固定大小（例如，227x227像素），以适应卷积神经网络（CNN）的输入。
- 将这些裁剪后的区域输入到预训练的CNN（如AlexNet、VGG等），提取特征。CNN会输出每个区域的特征向量。
分类与边界框回归
- 分类：
  - 将提取的特征向量输入到一个支持向量机（SVM）分类器中，判断每个区域是否包含目标，并确定目标的类别。每个候选区域会生成一个分类得分。
- 边界框回归：
  - 对于每个候选区域，使用线性回归模型进行边界框回归，优化目标的边界框位置和大小。回归模型会输出调整后的边界框坐标。
非极大值抑制（NMS）
- 在所有候选区域中，应用非极大值抑制算法，去除重叠度过高的边界框，只保留置信度最高的框。NMS的目的是减少冗余检测，提高检测的准确性。
输出结果
- 最终，输出每个目标的类别、置信度分数和对应的边界框坐标。

以上是本周对于基于深度学习的目标检测领域算法的总体框架的学习情况汇报，对于该主题下周将继续更加深入的学习并选择R-CNN的有关论文进行阅读，以求对该领域有更深刻和全面的理解。

摘要