目標檢測也就是這么簡單

1 背景

最近一直在看目標檢測類干貨，慢慢在積累，今天就給大家帶來一個老早之前的小干貨！希望在閱讀的您可以喜歡這個主題和內容，謝謝大家的支持。

看到這些圖片大家應該都很熟悉，今天首要的主角就是他們，現在人機對戰已經火熱進行中，前不久美國的一場DOTA人機大戰拉開了序幕，人工智能再次向人們證明了機器在某些領域強大的能力。

2 分析

在游戲中，如果想很好的了解對方“英雄”，首先必須得知道他（她）是哪位？所以，目標檢測是不是無處不在了？機器就是通過視覺得到對手是誰，然后進行分析對手的所有屬性，最后通過不同時間幀前后的關系來預測接下來幾秒或寫一秒的行為，通過不同的預測來得到最優解，完美破解對手的一些行動，以最大的勝率來擊敗對手。但是，今天我們只來說說目標檢測這一模塊，因為這是前提條件！如果對人工智能游戲感興趣，可以閱讀：

基于心理學和數據驅動的方法進行游戲《LOL&王者榮耀》事件檢測與亮點事件預。

現在需要針對目標檢測的困難有目標大小變化多端、目標遮擋、光照、檢測速度，檢測精度等，今天帶領大家在這些領域去深入認識，針對性的去解決問題。

RNN—>SSP—>Fast RCNN—>Faster RCNN—>YOLO—>SSD——>......

目標檢測的技術和知識在近三年得到了爆炸性的發展，應該說現在的技術完全可以基本實現很多實際情況的問題，但是依然沒有大力去發展去實施，最大的問題就是不確定性。這一套技術其實現在還是不夠穩定不夠自適應。

一般常見的網絡訓練后，進行測試一般都可以進行簡單的檢測，比如：

想必這種簡單粗暴的方法大家都會去做，而且效果會比我的更好，但是如果是現實中的一些案例呢？？？譬如：

但是很多朋友出來的結果都是如下：

這種是不是就要比單一目標和較大較清晰的目標負責很多，也許也有很多朋友去說，這不是有很多優秀的網絡（比如：Tiny-Net，T-CNN，SeetaFace等），但是每個網絡都有自己的優勢所在，今天就來說說多目標且是小目標的檢測技術，希望有興趣的您繼續看下去，謝謝！

為什么目標變小了的時候就會出現很多問題，主要問題就是特征表達性和判別性不足？所以針對表達性和判別性進行深入研究，去就解決或緩解其帶來的檢測難題。

就好比上面的圖，如果再模糊一些再放小一些，你覺得你們認識嗎？所以通過這個到底，很簡單就能理解特征表達的重要性，那怎么去解決呢？

現在可以通過這個圖很清楚的知道只要思想，就是利用目標的局部特征、全局特征和一些常見的融合特征，并進行有規律的融合，既可以得到魯棒的特征表達，如下圖：

通過人臉目標的不同特征進行詳細學習訓練特征表示。

想必上面幾幅圖大家都知道其出處，這種思想很好的利用了目標局部和全局特征，外加豐富的環境特征，從而很容易的就能把目標檢測出來。

最終的結果與下圖想必，也有很好的提升，而且在網絡過程中還加入了一些巧妙的改進，使其目標檢測更加精確。

以下模糊的展示我的簡單網絡雛形之一，并且得到了非常好的結果。

今天的知識點就點到為止，但是我們平臺會時不時給大家講一些小小的思路，讓腦洞大開的你有更好的創新，所以請有興趣的朋友繼續關注我們平臺的貢獻，謝謝支持！