yolo系列——目标检测基本概念

一、目标检测概述

什么是目标检测？

目标检测就是框出图片中用户感兴趣的物体，并且预测物体类别
一般做法是利用滑动窗口（Sliding Wondow）

滑动窗口（Sliding Wondow）

1. 设定一个固定大小的窗口
2. 遍历图像中所有位置，所到之处用分类模型识别窗口中的内容
3. 为了检测不同大小、不同形状的物体，可以使用不同大小、长宽比的窗口扫描图片
   缺点：滑动窗口的计算成本太大

改进思路1

使用启发式算法替换窗口遍历

例如 R-CNN，Fast R-CNN 中使用 Selective Search 产生候选区域 （找出有可能存在物体的区域）依赖外部算法，相比于滑动窗口，减少了计算成本且保证了召回率。

改进思路2

减少冗余计算，使用卷积网络实现密集预测目前普遍采用的方式

用卷积一次性计算所有特征，再取出对应位置的特征完成分类。

基础知识和术语

框、边界框（Bounding Box）

框泛指图像上的矩形框，边界横平竖直
描述一个框需要 4 个像素值：
• 方式1：左上右下边界坐标 𝑙,𝑡, 𝑟, 𝑏
• 方式2：中心坐标和框的长宽 𝑥, 𝑦, 𝑤, ℎ
边界框通常指紧密包围感兴趣物体的框
检测任务要求为图中出现的每个物体预测一个边界框

以下这些概念都指某种框，用在不同的上下文中

1. 区域（Region）：框的同义词
2. 区域提议（Region Proposal，Proposal）：
   指算法预测的可能包含物体的框，某种识别能力不强的算法的初步预测结果
3. 感兴趣区域（Region of Interest，RoI）：
   当我们谈论需要进一步检测这个框中是否有物体时，通常称框为感兴趣区域
4. 锚框（Anchor Box，Anchor）：
   图中预设的一系列基准框，类似滑窗，一些检测算法会基于锚框预测边界框

交并比 ( Intersection Over Union，IOU)

交并比（IoU）定义为两矩形框交集面积与并集面积之比，是矩形框重合程度的衡量指标。

二、评价指标概述

2. TP、FP、TN、FN

2.1 混淆矩阵

提到TP、FP、TN、FN，首先介绍以下混淆矩阵。
混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用$n$行$n$列的矩阵形式来表示。
混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。
例如：

其中，第一行第一列的80表示原本属于类1，且预测为类1的数量为80。
第二行第一列的10表示原本属于类2，且预测为类1的数量为10。
第三行第一列的5表示原本属于背景，且预测为类1的数量为5。
其余数目同理。

第一行总数80+10+10=100，表示全部原本属于类1的数目是100。
第一列总数80+10+5=95，表示全部预测为类1的数目为95。
其余数目同理。

2.2 结合混淆矩阵理解TP、FP、TN、FN

经过混淆矩阵的理解，引出TP、FP、TN、FN的定义：

• TP(True Positive): 真正例，表示预测为正例(positive)，且预测正确(true)，即原本为正例。
• FN(False Negative): 假反例，表示预测结果为反例(negative)，且预测错误(false)，即原本为正例。
• FP(False Positive): 假正例，表示预测结果为正例(positive)，且预测错误(false)，即原本为反例。
• TN(true Negative): 真反例，表示预测结果为反例(negative)，且预测正确(true)，即原本为反例。(注：用不到这个)

个人记忆的方法是，后面的字母表示预测的结果，前面的字母表示预测的正确与否。

2.3 常用指标

2.3.1 精准率（Precision）：

$$P=\frac{TP}{TP+FP}$$
精准率（Precision）又叫查准率，它是针对预测结果而言的，它的含义是在所有被预测为正的样本中实际为正的样本的概率，意思就是在预测为正样本的结果中，我们有多少把握可以预测正确。

2.3.2 召回率（Recall）：

$$R=\frac{TP}{TP+FN}$$
召回率（Recall）又叫查全率，它是针对原样本而言的，它的含义是在实际为正的样本中被预测为正样本的概率。

2.3.3 漏杀：

$$漏杀率=\frac{FN}{TP+FP}=1-P$$

漏杀率的评估方式是假反例除以总样本数。

2.3.4 过杀：

$$过杀率=\frac{FP}{TP+FP}$$

过杀率的评估方式是假正例除以总样本数。