目標檢測
關注創建者：匿名 創建時間：2021-10-19
目標檢測的實例教程
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 首先，從概念上來講，視頻目標檢測要解決的問題是對于視頻中每一幀目標的正確識別和定位。那么和其他領域如圖像目標檢測、目標跟蹤有什么區別呢？
1.與圖像目標檢測的區別
如Naiyan Wang 大佬所說，視頻中多了時序上下文關系（Temporal Context）。充分利用好時序上下文關系，可以解決視頻中連續幀之間的大量冗余的情況，提高檢測速度；還可以提高檢測質量，解決視頻相對于圖像存在的運動模糊、視頻失焦、部分遮擋以及奇異姿勢等問題。
（圖片來源于Flow-Guided Feature Aggregation for Video Object Detection）
2. 與目標跟蹤的區別
目標跟蹤通常可分為單目標跟蹤和多目標跟蹤兩類，解決的任務和視頻目標檢測相同的點在于都需要對每幀圖像中的目標精準定位，不同點在于目標跟蹤不考慮目標的識別問題。
3. 視頻目標檢測進展情況
與光流結合的方法
一直在follow MSRA的Jifeng Dai大佬（大佬主頁）的工作。
該工作的優勢是利用了連續幀冗余信息減少了大量運算，檢測速度很快。
FGFA（Flow Guided Feature Aggregation）出發點主要在于，提高特征質量，改善視頻中存在的運動模糊，視頻失焦等問題，其方法特點在于更好的融合前后幀的信息。借助于注意力模型的思想，計算當前幀與前后幀之間的每個空間位置余弦相似度作為自適應權重，使通過warp的特征圖與當前幀越近的權重越大。
該工作由于對每幀都做了特征提取，計算開支很大，檢測速度不高。
展開 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。到目前為止，它已經超過200K帶有150萬個目標實例的標記圖像，它不僅提供了邊界框，而且還提供了(相當粗糙的)分割輪廓。以下是一些示例圖片:
正如你所看到的，現在的目標更加多樣化，它們可以有非常不同的大小。這實際上是一個物體檢測的大問題：很難讓一個單一的網絡同時檢測大大小小的物體，這也是為什么MS COCO被證明是一個比PASCAL VOC更難的數據集的主要原因。數據集仍然是非常相關的，在目標檢測，實例分割和其他賽道每年舉行比賽。
我想談論的最后一個通用目標檢測數據集是目前最大的可用數據集：谷歌的Open Images Dataset。到目前為止，他們到了Open Images V6，它有大約190萬張圖片和1600萬個邊界框600個目標類。這相當于每幅圖像有8.4個邊界框，所以場景相當復雜，物體的數量也更加均勻分布：
這些例子看起來有趣、多樣，有時非常復雜:
實際上，Open Images之所以成為可能，是因為目標檢測本身的進步。如上所述，手工繪制邊界框非常耗時。
展開 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 來源 |
機器之心
導讀：
本文概述性地總結了一些當前最佳的目標檢測相關的研究。
主要內容包括目標檢測任務常用的數據格式，目標檢測與2D目標檢測相關的技術以及概括性的討論3D目
標檢測這一主題。
目標檢測一直是計算機視覺領域中一大難題。
近日，來自阿爾伯塔大學的研究者對目標檢測領域的近期發展進行了綜述，涵蓋常見數據格式和數據集、2D 目標檢測方法和 3D 目標檢測方法。
論文地址：
https://arxiv.org/abs/2010.15614
目標檢測任務的目標是找到圖像中的所有感興趣區域，并確定這些區域的位置和類別。由于目標具有許多不同的外觀、形狀和姿態，再加上光線、遮擋和成像過程中其它因素的干擾，目標檢測一直以來都是計算機視覺領域中一大挑戰性難題。
本文將概述性地總結一些當前最佳的目標檢測相關研究。第 2 節將簡要介紹目標檢測任務常用的數據格式，同時還會給出一些著名的數據集。
然后會概述一些預處理方法。第 3 節會介紹與 2D 目標檢測相關的技術，包括傳統方法和深度學習方法。最后第 4 節會概括性地討論 3D 目標檢測這一主題。
展開 
目標檢測的最新內容
依托aiSim多樣化的天氣與傳感器配置，可開展多種功能測試：
感知算法驗證：配合Camera、LiDAR、Radar等傳感器，開啟感知真值輸出，檢驗目標檢測、圖像分割、點云識別等算法的性能。
動力學與控制驗證：設定自車以不同速度、加速度通過坑洼路面、障礙物等區域，結合車輛動力學模型輸出的IMU數據與狀態真值，評估底盤控制與軌跡規劃算法的表現。
?
important;">當任務涉及精細地物分類、特定物質識別或目標檢測時，高光譜更具優勢。其豐富的光譜信息可實現更準確的物質區分，適用于礦產勘查、農作物病蟲害檢測等場景。
紅外熱成像：讀懂波段，精準選型3個月前
但對于占市場主流的常溫目標檢測（-20℃至150℃），非制冷型長波紅外設備的精度已完全足夠，且具有功耗低、啟動快、體積小、免維護和高可靠性的巨大優勢。
選擇紅外熱成像儀，本質上是選擇一把匹配特定場景的鑰匙。理解短波、中波、長波背后的“光譜密碼”，才能讓這雙科技之眼，真正為你洞見無形世界中的溫度與奧秘。
檢測目標影響掃描參數。 孔隙率統計需要特定分辨率保證。裂紋檢測關注對比度敏感度。裝配分析要求整體結構成像。
數據交付形式關乎應用價值。 原始切片數據、三維渲染模型、CAD比對報告。不同形式滿足不同部門需求。
專業的工業CT檢測機構應具備多尺度檢測能力。從納米級電子封裝到大型復雜鑄件，覆蓋全尺寸范圍。配備微焦點、中等能量、高能工業CT系統組合。
作為全球首個通過ISO 26262 ASIL-D認證的仿真工具，其技術領先性全方位賦能測試提升：
解決3DGS重建下大FOV相機導致的非一致性問題
（1）高保真感知仿真：融合光柵化、光線追蹤、NeRF/3DGS 多渲染技術，自研 GGSR 通用高斯潑濺渲染器優化 RayTracing 傳感渲染，解決廣角鏡頭一致性問題，雨雪天氣反射衰減、雷達多徑效應等環境交互效果高度還原，多目標檢測
- 特征縮放與歸一化
- 分類數據編碼
- 理解機器學習中的回歸
- 簡單線性回歸與多元線性回歸
- 邏輯回歸與決策樹
- 模型評估與交叉驗證
- 深度學習與神經網絡入門
- 構建用于圖像分類的卷積神經網絡（CNN）
- 目標檢測與圖像分割
數據可視化技術
- 缺失數據處理與數據清洗
- 特征縮放與歸一化
- 分類數據編碼
- 理解機器學習中的回歸
- 簡單線性回歸與多元線性回歸
- 邏輯回歸與決策樹
- 模型評估與交叉驗證
- 深度學習與神經網絡入門
- 構建用于圖像分類的卷積神經網絡（CNN）
- 目標檢測與圖像分割
2D標注雖可滿足2D目標檢測器的訓練需求，但在車輛距離、精確尺寸等空間屬性估計方面存在明顯短板。
相比之下，3D標注則能夠更全面、精準地還原駕駛環境，完整捕捉目標對象的尺寸、朝向與位置信息，其提供的深度信息是實現精準定位與可靠決策的關鍵前提。
通過模擬單目 3D 目標檢測邏輯，對重建場景中車輛、行人等目標的深度、位置、尺寸進行校驗。利用算法的深度等變性（對投影流形中深度平移 tz 的精準約束），驗證 3D 高斯場景中目標的幾何參數是否與真實場景一致，避免因深度估計偏差導致目標漂移或變形。
驗證結果表明，該模型能夠成功檢測出由重建模型和基于網格的渲染引擎所渲染的車輛，這說明未引入明顯的領域差距。
（1）不可逆，真匿名： 生成的覆蓋層是隨機且唯一的，確保原始身份信息無法通過任何手段被逆向工程破解，完全符合全球主流法規的匿名化標準；
（2）保留核心屬性： 在替換面部的同時，DNAT能夠保留原始人物的性別、種族、視線方向、面部表情甚至佩戴物（如眼鏡）等關鍵屬性；
（3）完全支持AI訓練： 經DNAT處理的數據，在用于目標檢測、語義分割等AI模型訓練時，其性能表現與使用原始數據幾乎沒有差異。
