小目標檢測
關注創建者：匿名 創建時間：2021-08-17
小目標檢測的實例教程
作者 | 高新波、莫夢竟成、汪海濤、冷佳旭
來源 | 極市平臺、計算機視覺工坊
導讀：與以往將小目標與常規目標等同對待或只關注特定應用場景下的目標檢測綜述不同，本文對小目標檢測這一不可或缺且極具挑戰性的研究領域進行了系統且深入的分析與總結。
文章鏈接：http://sjcj.nuaa.edu.cn/sjcjycl/article/html/202103001
摘要
小目標檢測長期以來是計算機視覺中的一個難點和研究熱點。在深度學習的驅動下，小目標 檢測已取得了重大突破，并成功應用于國防安全、智能交通和工業自動化等領域。為了進一步促進小 目標檢測的發展，本文對小目標檢測算法進行了全面的總結，并對已有算法進行了歸類、分析和比較。首先，對小目標進行了定義，并概述小目標檢測所面臨的挑戰。然后，重點闡述從數據增強、多尺度學習、上下文學習、生成對抗學習以及無錨機制等方面來提升小目標檢測性能的方法，并分析了這些方法的優缺點和關聯性。之后，全面介紹小目標數據集，并在一些常用的公共數據集上對已有算法進行了 性能評估。最后本文對小目標檢測技術的未來發展方向進行了展望。
引言
目標檢測是計算機視覺領域中的一個重要研究方向，也是其他復雜視覺任務的基礎。 作為圖像理解和計算機視覺的基石，目標檢測是解決分割、場景理解、目標跟蹤、圖像描述和事件檢測等更高層次 視覺任務的基礎。小目標檢測長期以來是目標檢測中的一個難點，其旨在精準檢測出圖像中可視化特征極少的小目標（32 像素×32 像素以下的目標）。在現實場景中，由于小目標是的大量存在，因此小目 標檢測具有廣泛的應用前景，在自動駕駛、智慧醫療、缺陷檢測和航拍圖像分析等諸多領域發揮著重要 作用。
展開 圖4 sRPN和MDA-NET算法結構
Fig.4 Structure of sRPN and MDA-NET algorithms
在解決無人機影像中的復雜背景問題時，上下文信息可以幫助模型對目標與背景的理解，從而從提取更好的目標特征，但上下文信息需要進行篩選，通常只有部分信息是對模型有用的；空洞卷積在增加感受野的同時保留細節信息，為了適應無人機影像中的目標分布和遮擋情況，多尺度空洞卷積中提取的特征大小和數量顯得尤為重要；注意力機制可以有效過濾背景中的無用信息，不過在無人機目標檢測這種特定的場景下需要合理地分配權重，避免小目標的漏檢或誤報。
復雜背景中目標的精細檢測算法在交通檢測和城市規劃中有著廣泛的應用前景[43]，隨著交通量的日益增長和城市規模的不斷擴大，航拍影像中非目標噪聲也越來越多，同時由于航拍中難以避免的遮擋問題也會導致目標信息不完整，因此，如何在復雜的環境中提取目標特征的研究具有重要的應用意義。
2.3.2 無人機影像中的小目標問題
無人機影像中目標的尺度范圍大，建筑與行人、山川與動物經常出現在同一圖片中。小目標在圖片中占比極小，提供的分辨率有限，從而造成檢測困難。
較早的一些研究中，Sevo和Avramovic[51]證明了卷積神經網絡可以有效地融入到航空圖像的目標檢測算法中。Sommer等[52]將Fast R-CNN和Faster R-CNN 用于航空圖像中的車輛檢測，通過調整錨定框的大小和特征圖的分辨率，來適應小目標檢測。雖然卷積神經網絡具有一定的泛化能力，但網絡中的卷積和池化操作使特征圖細節信息丟失過多，這對小目標檢測來說是十分不利的。
展開 因為是前兩年在做基于視頻的目標檢測和跟蹤，所用的方法相對于現行的Long Short-Term Memory (LSTM)可能相對老套，但是我覺得題主該是新手，了解一下過去的經典還是有意義的，可以作為前期補充。
研究問題
無論是基于視頻還是圖像，我們研究的核心是目標檢測問題，即在圖像中（或視頻的圖像中）識別出目標，并且實現定位。
基于單幀圖像的目標檢測
在靜態圖像上實現目標檢測，本身是一個滑窗＋分類的過程，前者是幫助鎖定目標可能存在的局部區域，后者則是通過分類器打分，判斷鎖定的區域是否有（是）我們要尋找的目標。研究的核心多集中于后者，選什么樣的特征表示來描述你鎖定的區域（HOG, C-SIFT, Haar, LBP, CNN, Deformable Part Models (DPM) and etc.），將這些特征輸入到什么樣的分類器（SVM，Adaboost and etc.）進行打分，判斷是否是我們要找的目標。
盡管我們要檢測的目標可能外形變化多端（由于品種，形變，光照，角度等等），通過大量數據訓練CNN得到的特征表示還是能很好地幫助實現識別和判定的過程。但是有些極端情況下，如目標特別小，或者目標和背景太相似，或者在這一幀圖像中因為模糊或者其他原因，目標確實扭曲的不成樣子，CNN也會覺得力不從心，認不出來它原來是我們要找的目標呢。另外一種情況是拍攝場景混入了其他和目標外觀很像的東西 (比如飛機和展翅大鳥)，這時候也可能存在誤判。
也就是在這幾種情況下，我們可能無法憑借單幀的外觀信息，完成對目標魯棒的檢測。
基于視頻的目標檢測
單幀不夠，多幀來湊。在視頻中目標往往具有運動特性，這些特性來源有目標本身的形變，目標本身的運動，以及相機的運動。
展開 你可以想象，為目標檢測而手動標注一幅圖像需要整整幾分鐘，而不是像用于分類那樣需要幾秒鐘。那么像這樣的大型數據集從何而來呢？
目標檢測數據集：真實
讓我們首先看看我們有什么樣的使用真實目標和人工標注的目標檢測數據集。首先，讓我們快速回顧最流行的數據集。
ImageNet數據集作為ImageNet大規模視覺識別挑戰(ILSVRC)的關鍵部分而受到歡迎，這是2010年至2017年舉辦的一系列比賽。ILSVRC系列見證了一些卷積神經網絡中最有趣的進展:AlexNet、VGG、GoogLeNet、ResNet和其他著名的架構都在這里首次亮相。
一個不太為人所知的事實是ILSVRC也一直有一個物體檢測競賽，而ILSVRC系列實際上是與另一個著名的競賽合作發展起來的，2005年至2012年舉辦的PASCAL Visual Object Classes (VOC) Challenge。這些挑戰也從一開始就體現了目標檢測，這就是第一個著名的數據集的由來，通常被稱為PASCAL VOC數據集。以下是“飛機”和“自行車”類別的一些示例圖片：
按照今天的標準，PASCAL VOC是相當小的：20個類，只有11530張圖片，27450個目標標注，這意味著PASCAL VOC每幅圖片只有不到2.5個目標。目標通常是相當大的和突出的照片，所以PASCAL VOC是一個“容易”的數據集。盡管如此，在很長一段時間里，它仍然是最大的手動標注的目標檢測數據集之一，并在數百篇關于目標檢測的論文中默認使用。
在規模和復雜性方面的下一步是Microsoft Common Objects in Context (Microsoft COCO)數據集。
展開 手動標注現在是一個更困難的問題：你必須為每個目標提供一個邊界框，而不僅僅是點擊正確的類標簽，而且在一張照片上可能有許多目標。
下面是一個用于通用目標檢測問題的標注的例子。
你可以想象，為目標檢測而手動標注一幅圖像需要整整幾分鐘，而不是像用于分類那樣需要幾秒鐘。那么像這樣的大型數據集從何而來呢？
目標檢測數據集：真實
讓我們首先看看我們有什么樣的使用真實目標和人工標注的目標檢測數據集。首先，讓我們快速回顧最流行的數據集。
ImageNet數據集作為ImageNet大規模視覺識別挑戰(ILSVRC)的關鍵部分而受到歡迎，這是2010年至2017年舉辦的一系列比賽。ILSVRC系列見證了一些卷積神經網絡中最有趣的進展:AlexNet、VGG、GoogLeNet、ResNet和其他著名的架構都在這里首次亮相。
一個不太為人所知的事實是ILSVRC也一直有一個物體檢測競賽，而ILSVRC系列實際上是與另一個著名的競賽合作發展起來的，2005年至2012年舉辦的PASCAL Visual Object Classes (VOC) Challenge。這些挑戰也從一開始就體現了目標檢測，這就是第一個著名的數據集的由來，通常被稱為PASCAL VOC數據集。以下是“飛機”和“自行車”類別的一些示例圖片：
按照今天的標準，PASCAL VOC是相當小的：20個類，只有11530張圖片，27450個目標標注，這意味著PASCAL VOC每幅圖片只有不到2.5個目標。
展開 
小目標檢測的最新內容
鑄鐵平臺T型槽規格選型指南焊接檢測全場景覆蓋新手也能看懂
哈嘍各位機械er焊接佬檢測行業的小伙伴們有沒有過選鑄鐵平臺T型槽時一臉懵的經歷選大了浪費成本選小了又不滿足工況尤其是焊接和檢測這兩個核心場景對3個月前
鑄鐵平臺T型槽規格選型指南焊接檢測全場景覆蓋新手也能看懂
哈嘍各位機械er焊接佬檢測行業的小伙伴們有沒有過選鑄鐵平臺T型槽時一臉懵的經歷選大了浪費成本選小了又不滿足工況尤其是焊接和檢測這兩個核心場景對T型槽規格的要求更是苛刻
今天這篇筆記就把鑄鐵平臺T型槽選型的干貨扒得明明白白從規格參數解讀到不同場景適配技巧再到焊接檢測的注意事項新手看完也能直接上手選趕緊碼住收藏
智能手表的出現，不僅各種豐富多樣的功能滿足用戶需求，時尚設計的外觀也很得用戶青睞。智能手表在健康追蹤、運動記錄、日常提醒等方面表現突出，如今已經成為很多人生活中常備的一款經典消費電子產品。
智能手表是一個集硬件和軟件于一體的系統，主要依賴于各類傳感器收集用戶活動及生理數據，并通過無線通信技術與智能手機或其他設備連接同步并推送消息、郵件、電話等信息，同時提供健康管理、運動追蹤、支付等多種服務。
摘要：本文詳細介紹了一種基于人類視覺系統特性的紅外弱小目標檢測算法——Multiscale patch-based contrast measure (MPCM)。該算法通過增強目標與背景的對比度，有效檢測紅外圖像中的弱小目標，并在MATLAB環境中進行了復現與實驗驗證。
關鍵詞：紅外檢測、弱小目標、圖像處理、模式識別、自適應檢測
參考文獻：Y. Wei, X. You, and H. Li
文章復現：基于matlab的微震圖像去噪，利用同步壓縮連續小波變換進行自動微震去噪和起始檢測，SS-CWT 可對時間和頻率變化的噪聲進行自適應過濾，可以去除小幅值信號中的大部分噪聲，檢測地震事件并估算地震發生時間。程序已調通，可直接運行。
音箱指可將音頻信號變換為聲音的一種設備。通俗地講，就是指音箱主機箱體或低音炮箱體內自帶功率放大器，對音頻信號進行放大處理后由音箱本身回放出聲音，使其聲音變大。音箱是整個音響系統的終端，其作用是把音頻電能轉換成相應的聲能，并把它輻射到空間去。它是音響系統極其重要的組成部分，擔負著把電信號轉變成聲信號供人的耳朵直接聆聽的任務。
音箱的基本組成部分包括揚聲器單元和放大器。揚聲器單元是產生聲音的核心部件
同時結合360°的視覺和激光雷達覆蓋、MEMS高分辨率補盲激光雷達結合自研的多傳感器融合算法，能高效準確的對周圍環境，尤其是小目標物體，進行檢測和建模。
環衛一體化管理
可俐1號通過搭載云計算的于萬智駕智能中控平臺，保障在不同場景的一體化保潔需求，協調多車作業，人車混合作業等多種作業模式，提高作業效率。
考慮到其對小目標檢測的良好效果, 本文采用該算法進行目標檢測.
2 基于MobileNet的多目標跟蹤算法
利用MobileNet將標準卷積分解為深度卷積和逐點卷積以減少參數量的特點, 替換YOLOv3目標檢測算法的主干網絡框架, 并保留多尺度預測, 形成基于MobileNet的目標檢測算法, 再進一步結合Deep-SORT算法進行多目標跟蹤.
2.1
MobileNet算法
在圖像算法的開發中，提出了插頭孔位小目標的檢測網絡，實現了對不同類別的孔位的高精度檢測與識別。在識別到空位的輪廓和編號引導線之后，就可以在程序中完成孔位編號的自動生成，產生的型譜圖如圖3所示。為了獲得每一個孔位的編號，生成規范的型譜圖，設計了無序孔位的分布排列算法。型譜圖的生成利用了國產CAD軟件CAXA提供的二次開發接口，在CAD中構建二維的準確型譜圖。
來源 |
半日閑心
@知乎
過去，無需nms的目標檢測，很美很純粹，但幾乎沒人想過應用到業務上。然而經過近些年的發展，性能甚至超過了nms-base。站在2021年的尾巴，回顧nms-free的發展，期待2022有更好的發展。
本文脈絡
什么是nms，為什么需要nms
什么是nms-free，有啥好處
尤其是對于行人和騎車的人這兩個類來說，提升的幅度更大，這也證明了分辨率較高的圖像特征對小目標的檢測有很大的幫助。
