16、目标检测中的深度学习算法解析

目标检测中的深度学习算法解析

1. 区域提议与锚框

在目标检测中，每个滑动窗口位置会预测多个区域提议。假设每个窗口位置的最大提议数为 k，那么边界框坐标总数为 4k，目标类别数为 2k（一个是目标存在的概率，另一个是目标不存在的概率）。这些在每个窗口的区域框被称为锚框。

2. Fast R - CNN

Fast R - CNN 是 Faster R - CNN 的检测网络部分，它接收来自区域提议网络（RPN）的输入，用于检测图像中的目标。

3. Mask R - CNN

3.1 与 Faster R - CNN 的区别

Faster R - CNN 有两个输出：类别标签和边界框坐标。而 Mask R - CNN 在此基础上增加了一个额外的分支，用于预测目标掩码，因此有三个输出：类别标签、边界框坐标和目标掩码。

3.2 网络架构

Mask R - CNN 网络由三个模块组成：
- 骨干网络（Backbone） ：通常使用标准的深度神经网络，如 ResNet - 50 或 ResNet - 101，主要用于特征提取。此外，还会使用特征金字塔网络（FPN）来提取图像更精细的特征细节。FPN 由卷积神经网络中尺寸逐渐减小的层组成，每个前向层的神经元数量逐渐减少。较高层将特征传递到较低层，并在每一层进行预测，这种方法可以捕捉不同尺度的图像特征，从而检测图像中的小目标。FPN 可以独立于 ResNet 或其他骨干网络运行，并且不仅可以添加到 Mask R - CNN 中，还可以添加到 Fast R - CNN 中，以检测不同大小的