【51CTO.com快譯】近年來，隨著人工智能技術的發展和進步，計算機視覺和深度學習受到了業界廣泛的關注。值得稱道的是，以前被認為極具挑戰性的對象檢測應用程序現在變得更容易創建。

對象檢測可以定義為一種計算機視覺技術，旨在識別和定位圖像或視頻中的對象。雖然計算機通常能夠比人類更快地處理信息，但是計算機仍然很難檢測到圖像或視頻上的各種對象。這是因為計算機只能以二進制語言解釋大部分輸出。

本文旨在簡要討論：

• 對象檢測的基礎知識
• 對象檢測模型
• 對象檢測的好處
• 挑戰和解決方案

在討論這幾點之前，需要了解圖像分類和對象檢測之間的區別。初學者容易混淆。

對象檢測和圖像分類的區別

先對對象檢測和圖像分類進行一下分析以了解它們之間的區別。當人工智能系統查看狗的圖片時，可以立即指出是動物的圖像，也就是說出圖像的內容。這就是圖像分類的全部內容。

而只要有一個對象，就可以使用圖像分類技術。但是如果有多個對象，那就是對象檢測技術發揮作用的時候。通過圍繞感興趣的對象構建矩形框，可以幫助人工智能系統識別每個框包含的對象。還可以使用這一方法指示對象的確切位置。而一張圖片可能包含多個對象，因此可能會顯示多個邊界框。

對象檢測的應用是無限的，但它們通常識別和檢測真實物體，例如人類、建筑物、汽車等等。此外，人工智能系統需要大量不同類型對象的標記數據，以便將來識別這些對象。這意味著在標記數據集上訓練的機器學習模型將有更多的機會做出準確的預測。

有一些行業廠商提供了數據注釋服務，用戶只需要根據其要求選擇合適的服務。這種技術廣泛應用于人物/物體跟蹤和視頻監控攝像頭的應用中，以下將進一步詳細說明。

對象檢測模型

現在大家已經清楚了對象檢測的定義，那么來看看一些流行的對象檢測模型。

(1)R-CNN、Faster R-CNN、Mask R-CNN

最流行的對象檢測模型屬于基于區域的CNN模型系列。該模型徹底改變了對象檢測領域過去的工作方式。在過去的幾年，它們不僅變得更加準確，而且更加高效。

(2)SSD和YOLO

2016年發布的單發探測器系列有很多模型。雖然單次多盒檢測(SSD)模型的檢測速度比CNN模型快，但它們的準確率遠低于CNN。

YOLO模型與基于區域的算法有很大不同。就像SDD模型一樣，YOLO模型比R-CNN模型更快，但由于精度低而有些落后。對于移動或嵌入式設備，SDD模型是很好的選擇。

(3)CenterNet

近年來，這些對象檢測模型越來越受歡迎。CentreNet遵循基于關鍵點的對象檢測方法。

與SSD模型或R-CNN模型相比，該模型被證明更高效、更準確。這種方法的唯一缺點是訓練過程緩慢。

對象檢測對現實世界的好處

對象檢測與其他類似的計算機視覺技術(例如圖像分割和圖像識別)完全相互關聯，可幫助人們理解和分析視頻和圖像中的場景。如今，在對象檢測市場中有一些實際用例，對不同行業領域產生了巨大影響。

(1)自動駕駛汽車

自動駕駛汽車成功背后的主要原因是基于實時對象檢測人工智能的模型。這些系統使人們能夠定位、識別和跟蹤周圍的物體，以確保安全和效率。

(2)視頻監控

實時對象檢測和跟蹤物體運動使視頻監控攝像頭能夠跟蹤特定位置(例如機場)的場景記錄。這種最先進的技術可以準確識別和定位視頻中給定對象的多個實例。當對象實時地穿過給定場景或穿過特定幀時，視頻監控系統會存儲帶有實時跟蹤源的信息。

(3)人群計數

對于購物中心、機場、城市廣場和主題公園等人口稠密地區，這一應用程序的優異表現令人難以置信。事實證明，這個對象檢測應用程序有助于大型企業和市政當局跟蹤特定時間范圍內的道路交通、違法行為和車輛數量。

(4)異常檢測

有多種異常檢測應用程序可用于使用對象檢測的不同行業。例如在農業領域，對象檢測模型可以準確識別和發現植物病害的潛在實例。在這些技術的幫助下，農民將會得到通知，能夠防止他們的農作物受到病害威脅。

作為另一個例子，該模型已被用于識別皮膚感染和有癥狀的病變。一些應用程序已經將對象檢測模型用于皮膚護理和痤瘡治療。

需要記住的是，在創建任何類型的對象檢測模型時都會遇到一些問題。但是可以使用一些解決方案來解決這些挑戰。

對象檢測建模的挑戰和解決方案

(1)對象定位

對象檢測的第一個挑戰是對物體的圖像和位置進行分類，這稱為對象定位。為了解決這個問題，大多數開發人員經常使用多任務損失函數來懲罰定位和分類錯誤。

解決方案：基于區域的卷積神經網絡顯示一類對象檢測框架，其中包含對象可能位于的區域生成方案，然后是CNN模型處理以對對象位置進行分類和糾正。Fast-RCNN模型可以改善R-CNN的初始結果。顧名思義， FastR-CNN模型提供了驚人的速度，并且準確度也提高了，因為定位和對象分類任務使用多任務損失函數進行了優化。

(2)實時檢測速度

快速的對象檢測算法一直是同時準確地對關鍵目標進行分類和定位以滿足實時視頻處理的主要問題。多年來，一些算法已經將測試時間從每秒0.02幀提高到每秒155幀。

解決方案：Faster R-CNN和Fast R-CNN模型旨在加快R-CNN方法的原始速度。由于R-CNN使用選擇性搜索來生成2000個候選感興趣區域并單獨通過每個基于CNN的模型，因此這可能會導致模型處理失敗后的嚴重瓶頸。而Fast R-CNN模型通過CNN base傳輸一次圖像，然后將通過選擇性搜索創建的ROI匹配到特征圖，同時將處理時間減少20倍。

(3)多縱橫比和大小

對于多個對象檢測應用程序，人們感興趣的項目可能會出現在多個縱橫比和不同的大小。研究人員證明了多種方法可以確保檢測算法能夠識別不同視角和大小的不同對象。

解決方案：不是采用選擇性搜索，而是使用區域提議網絡更新Faster R-CNN，該網絡在圖片的卷積特征圖上使用一個小的滑動窗口來生成感興趣的候選區域。可以在不同位置預測多個興趣區域，并相對于參考錨框進行描述。選擇這些錨框的大小和形狀以跨越一系列的縱橫比和不同的大小。它允許多種類型的對象進行識別，希望在定位任務期間不需要調整邊界框坐標。

(4)帶注釋的數據數量有限

需要考慮的不可否認的事實之一是帶注釋的數據數量有限，這成為構建應用程序的障礙。這些數據集專門包含數十到數百個對象的真實示例，而圖像分類數據集包含大約10萬個不同的類。

解決方案：市場上現在提供了一些圖像數據集，例如由微軟公司提供的COCO Dataset，它目前采用一些對象檢測注釋數據。該數據集包含30萬張根據精確位置標簽具有80個不同對象類別的分割圖片。每個圖像平均包含7個對象和項目，它們以非常大的比例出現。減少數據稀缺的最主要的方法之一是YOLO9000(YOLO的第二個版本)。YOLO9000處理了YOLO的許多關鍵更新，但它也旨在縮小圖像分類和對象檢測之間的數據集差距。此外，它同時訓練ImageNet和COCO，這是一個具有數萬個對象類的圖像分類數據集。 結語

根據來源，對象檢測被認為比圖像分類困難得多，特別是為了解決上述問題。研究人員繼續努力減少這些障礙，有時會產生驚人的成果，然而仍然存在重大問題。當然，所有的對象檢測模型都在努力處理更小的對象，尤其是那些被部分遮擋在一起收集的對象。具有對象分類和定位精度的實時檢測仍然是一個值得注意的問題，研究人員在做出設計決策時通常會優先考慮其中一件事。從樂觀的角度來看，視頻跟蹤技術可能會在未來在其他應用場景中會看到一些進展。

原文標題：Beginner’s Guide to Object Detection for Computer Vision Project，作者：Analytics Insight

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】