计算机视觉基础入门课程（从算法到实战应用）

# 课时9笔记 目标检测原理与应用(上)

1. 对图片/视频,用框(bounding box)标出物体的位置并给出物体的类别.

2. 物体检测数据库: 

PASCAL VOC, 20类, 比较简单, 物体比较大比较少; 

COCO, 80类物体, 单张物体稠密, 验证检测器性能常用数据集.

3. 评价检测器的性能.

IoU(Intersection over Union), 交集比上并集, 完美态是1;

PR(Precision-recall curve)曲线

目标检测：

数据集：

数据集PASCAL VOC

特点：目标稀少，类别简单（20类）

数据集coco

特点：目标稠密，类别较多（80类）

怎么评价检测器的性能：

1、Intersection over Union(IoU)交并比

当真实与预测的IOU大于0.5时说明检测器成功预测出目标的位置。

2、precision-recall curve（PR曲线）

改变置信度的阀值计算精度和召回，做出曲线

特点：整体趋势随着召回率的增加精度下降，但局部会发生增加现象。

原因：整体下降：随着置信度阀值的降低召回率基本不变，而精度会逐渐降低；局部增加：整理中含有假真例子还造成局部增加。

１．　什么是物体检测：用ＢＢ标出物体位置并给出物体类别。方法有ＹＯＬＯ　Ｖ２；通用数据集为ＰＳＡＣＡＬ　ＶＯＣ，有２０类物体，是一个较简单的数据集；ＣＯＣＯ数据集有８０类物体，一张图片内物体较多，数据及难度较高，老师给的图片例子应该不是简单的物体检测，还有ｓｅｇｍｅｎｔａｔｉｏｎ；

２．　评价检测器性能：ＩｏＵ可以用来表示检测器性能，中文为交并比，是预测框与ｌａｂｅｌ的交集比上两者并集的比值；若为１则为最优分类器，一般来说ＩＯＵ大于０．５就代表预测正确了；

也可以使用ＰＲ曲线来表示评测器综合性能，也就是ｐｒｅｃｉｓｉｏｎ－ｒｅｃａｌｌ　ｃｕｒｖｅ。对于一张图片的检测结果，每一个结果都有一个对应的得分，得分代表一种检测的结果置信度，根据检测结果可以计算得到ＴＰ，ＦＰ，ＴＮ，ＴＮ等，通过不断改变阈值就可以绘制出ＰＲ曲线。