目标检测技术二十年综述

2019 年 5 月 28 日 计算机视觉life
目标检测技术二十年综述

点击上方“计算机视觉life”,选择“星标”

快速获得第一手干货

本文转载自我爱计算机视觉。

计算机视觉中的目标检测,因其在真实世界的大量应用需求,比如自动驾驶、视频监控、机器人视觉等,而被研究学者广泛关注。


几天前,arXiv新出一篇目标检测文献《Object Detection in 20 Years: A Survey》对该领域20年来出现的技术进行了综述,这是一篇投向PAMI的论文,作者们review了400+篇论文,总结了目标检测发展的里程碑算法和state-of-the-art,并且难能可贵的对算法流程各个技术模块的演进也进行了说明,还深入到目标检测的特定领域如人脸检测、行人检测等进行了总结,最后列举了未来可能的发展方向。


温故而知新,非常值得参考!


作者信息:



该文作者来自美国密歇根大学、北京航空航天大学、滴滴出行。


下图是作者在谷歌学术检索目标检测相关关键字返回的历年文献数量,可见该领域20年来越来越受到学术界的关注。2018年有将近1200篇相关文献发表。




目标检测路线图


作者将目标检测近20年来的里程碑算法画在时间轴上,如下:



可见作者将算法大致分为2012年之前的传统检测方法与2012年之后出现的基于深度学习的检测方法。


传统方法比如我们所熟知的V-J检测、HOG检测、DPM算法。

深度学习方法截然不同的分为两条技术路径:单阶段检测算法与两阶段检测算法。

同时作者把目标检测的一些精度提高的方法的出现也列在了时间轴上,比如bounding box regression、multi-resolution detection等。


在目前最知名的评估数据集VOC 2007 、VOC 2012、 COCO上不同年份出现的算法精度提高,如下图:




可见,深度学习在检测领域的开山之作RCNN取得了大幅度精度提高,开辟了检测的新时代。而今年新出的TridentNet是目前在COCO数据集上取得最高精度的算法。


目标检测数据集


作者总结了通用目标检测及几个特定目标检测的数据集。


通用目标检测领域常用数据集:



几个常用数据集的示例图片:



行人检测常用数据集:



人脸检测常用数据集:



文本检测常用数据集:



交通灯检测与交通标志检测常用数据集:



遥感目标检测常用数据集:



目标检测技术演进


作者将目标检测中涉及的各种技术的演进铺展开来,让我们能就单一技术看到发展路径。


早期目标检测算法代表:



多尺度检测技术演进路线图:



包围框回归技术演进路线图:



目标上下文建模技术演进路线图:



包围框非极大抑制(NMS)技术演进路线图:



难检测负样本挖掘技术演进路线图:



目标检测计算加速

目标检测天生是计算密集型任务,所以在其发展的各个阶段,目标检测算法的加速就一直是一个重要议题。


作者总结的目标检测计算加速方法:



可见主要是在三个层次加速:

  • 数值计算层次(如积分图、矢量量化等)、

  • 检测引擎层次(网络剪枝与量化、轻量级网络设计等)、

  • 检测流程层次(特征图共享、分类器加速、级连检测等)。


因为目前CNN检测方法是主流,作者列出了近年出现的卷积计算的一些加速方法及其时间复杂度:



目标检测进展


作者在这部分描述了近三年来state-of-the-art目标检测技术的研究进展。


1. 更好地引擎(engine)

作者将深度学习目标检测网络的骨干网称为其引擎。

改进目标检测的一个直接思路就是使用更加先进的骨干网。


如下图:



相同算法用相同颜色的圆点表示,使用相同引擎的算法结果用一个大括号连接,我们可以轻易看出,使用不同的引擎对最终精度的影响更大。


说到这,欢迎大家关注52CV最新的相关文章:

精度高、模型小、速度快!梯形DenseNets结构实现语义分割新高度!

重磅!MobileNetV3 来了!


2. 使用更好的特征

作者主要指:

1)特征融合;

2)学习大感受野的高分辨率特征


3. 超越滑动窗口

不再是局限于候选区域再分类的模式。

作者提到两种新模式:

1)子区域搜索 sub-region search。

将目标检测看为从初始网格到最终ground truth box的路径规划过程。

2)关键点定位。

将目标检测看为特定语义点定位的过程。比如:

ECCV18 Oral | CornerNet目标检测开启预测“边界框”到预测“点对”的新思路

Grid R-CNN解读:商汤最新目标检测算法


4. 目标定位改进

1)包围框提精。

2)改进loss函数用于精确定位。比如:

CVPR 2019 | 旷视提出新型目标检测损失函数:定位更精准


5. 检测与分割一起进行

分割可以帮助目标检测提高类别识别的精度、获得更好地目标定位、嵌入更加丰富的上下文。

分割的网络可以作为目标检测的提取网络,也可以作为多任务学习的损失函数,用以改进目标检测。

52CV曾经报道过一篇文章,甚至分割可以用来替换检测:

目标检测:Segmentation is All You Need ?


6. 旋转和尺度变化鲁棒的目标检测

针对旋转变化鲁棒改进方向:

1)旋转不变损失函数;

2)旋转校正;

3)Rotation RoI Pooling。

针对尺度变化鲁棒的改进:

1)尺度自适应训练;

2)尺度自适应检测。


7. Training from Scratch

不使用预训练模型,从头开始训练目标检测网络。

比如:

CVPR 2019 | 京东AI研究院提出ScratchDet,加强对小目标的检测,代码将开源


8. 对抗训练

比如有研究表明,GAN可以用来改进小目标的检测。


9. 弱监督的目标检测

不使用包围框标注,而仅使用图像级的目标标注的算法。

减少标注成本,扩大训练集。


目标检测应用


作者列举了目标检测的几个特殊应用,包括行人检测、人脸检测、文本检测、交通灯及标志检测、遥感目标检测。







指出每种检测任务面临的困难和挑战,并简述了目前应对这些问题的方法。


目标检测的未来方向


作者列举的未来方向包括:

1. 轻量级目标检测算法;

2. 用AutoML设计目标检测算法,比如:

Google CVPR 2019最新成果!用神经架构搜索实现更好的目标检测

3. 域适应(domain adaptation)改进目标检测;

4. 弱监督的目标检测;

5. 小目标检测;

6. 视频目标检测

7. 融合其他传感器信息的目标检测。


论文地址:

https://arxiv.org/abs/1905.05055v1

推荐阅读

计算机视觉方向简介 | 从全景图恢复三维结构

计算机视觉方向简介 | 阵列相机立体全景拼接

计算机视觉方向简介 | 单目微运动生成深度图

计算机视觉方向简介 | 深度相机室内实时稠密三维重建

计算机视觉方向简介 | 深度图补全

计算机视觉方向简介 | 人体骨骼关键点检测综述

计算机视觉方向简介 | 人脸识别中的活体检测算法综述

计算机视觉方向简介 | 目标检测最新进展总结与展望

计算机视觉方向简介 | 唇语识别技术

计算机视觉方向简介 | 三维深度学习中的目标分类与语义分割

计算机视觉方向简介 | 基于单目视觉的三维重建算法

计算机视觉方向简介 | 用深度学习进行表格提取

计算机视觉方向简介 | 立体匹配技术简介

计算机视觉方向简介 | 人脸表情识别

计算机视觉方向简介 | 人脸颜值打分

计算机视觉方向简介 | 深度学习自动构图

计算机视觉方向简介 | 基于RGB-D的3D目标检测

关注计算机视觉life,加星标,获取最新AI干货~


最新AI干货,我在看  

登录查看更多
12

相关内容

目标检测,也叫目标提取,是一种与计算机视觉和图像处理有关的计算机技术,用于检测数字图像和视频中特定类别的语义对象(例如人,建筑物或汽车)的实例。深入研究的对象检测领域包括面部检测和行人检测。 对象检测在计算机视觉的许多领域都有应用,包括图像检索和视频监视。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

密歇根大学Zhengxia Zou博士等人近期发布了《Object Detection in 20 Years: A Survey》,这篇综述论文对近四分之一世纪(20世纪90年代至2019年)的400余篇论文进行了广泛的回顾,涵盖了许多主题,包括历史上的里程碑检测器、检测数据集、度量、检测系统的基本构建模块、加速技术以及最新的检测方法。本文还综述了行人检测、人脸检测、文本检测等重要的检测应用,并对其面临的挑战以及近年来的技术进步进行了深入分析。

目标检测作为计算机视觉中最基本、最具挑战性的问题之一,近年来受到了广泛的关注。它在过去二十年的发展可以说是计算机视觉历史的缩影。如果我们把今天的目标检测看作是深度学习力量下的一种技术美学,那么让时光倒流20年,我们将见证冷兵器时代的智慧。本文从目标检测技术发展的角度,对近四分之一世纪(20世纪90年代至2019年)的400余篇论文进行了广泛的回顾。本文涵盖了许多主题,包括历史上的里程碑检测器、检测数据集、度量、检测系统的基本构建模块、加速技术以及最新的检测方法。本文还综述了行人检测、人脸检测、文本检测等重要的检测应用,并对其面临的挑战以及近年来的技术进步进行了深入分析。

成为VIP会员查看完整内容
0
64
小贴士
相关资讯
最全综述 | 图像目标检测
计算机视觉life
19+阅读 · 2019年6月24日
继往开来!目标检测二十年技术综述
AI100
14+阅读 · 2019年6月15日
CVPR2019目标检测方法进展综述
极市平台
45+阅读 · 2019年3月20日
深度学习目标检测算法综述
AI研习社
14+阅读 · 2019年2月1日
干货 | 基于深度学习的目标检测算法综述
AI科技评论
9+阅读 · 2018年9月1日
干货 | 基于深度学习的目标检测算法综述(二)
AI科技评论
10+阅读 · 2018年8月20日
综述:深度学习时代的目标检测算法
极市平台
24+阅读 · 2018年3月17日
深度学习时代的目标检测算法综述
AI前线
6+阅读 · 2017年9月22日
相关VIP内容
专知会员服务
76+阅读 · 2020年6月26日
【文献综述】深度学习目标检测方法及其主流框架综述
专知会员服务
58+阅读 · 2020年6月26日
专知会员服务
53+阅读 · 2020年6月14日
专知会员服务
39+阅读 · 2020年5月31日
专知会员服务
68+阅读 · 2020年4月24日
专知会员服务
83+阅读 · 2020年4月21日
机器翻译深度学习最新综述
专知会员服务
55+阅读 · 2020年2月20日
密歇根大学《20年目标检测综述》
专知会员服务
64+阅读 · 2019年10月13日
相关论文
Kamran Kowsari,Kiana Jafari Meimandi,Mojtaba Heidarysafa,Sanjana Mendu,Laura E. Barnes,Donald E. Brown
11+阅读 · 2019年6月25日
1D Convolutional Neural Networks and Applications: A Survey
Serkan Kiranyaz,Onur Avci,Osama Abdeljaber,Turker Ince,Moncef Gabbouj,Daniel J. Inman
4+阅读 · 2019年5月9日
Shuhan Chen,Xiuli Tan,Ben Wang,Xuelong Hu
9+阅读 · 2019年4月15日
Hamid Rezatofighi,Nathan Tsoi,JunYoung Gwak,Amir Sadeghian,Ian Reid,Silvio Savarese
3+阅读 · 2019年4月15日
Taking Human out of Learning Applications: A Survey on Automated Machine Learning
Quanming Yao,Mengshuo Wang,Yuqiang Chen,Wenyuan Dai,Hu Yi-Qi,Li Yu-Feng,Tu Wei-Wei,Yang Qiang,Yu Yang
10+阅读 · 2019年1月17日
Scale-Aware Trident Networks for Object Detection
Yanghao Li,Yuntao Chen,Naiyan Wang,Zhaoxiang Zhang
4+阅读 · 2019年1月7日
Joaquin Vanschoren
108+阅读 · 2018年10月8日
Deep Learning for Generic Object Detection: A Survey
Li Liu,Wanli Ouyang,Xiaogang Wang,Paul Fieguth,Jie Chen,Xinwang Liu,Matti Pietikäinen
7+阅读 · 2018年9月6日
Zeming Li,Chao Peng,Gang Yu,Xiangyu Zhang,Yangdong Deng,Jian Sun
4+阅读 · 2018年4月17日
Top