深度学习及自动驾驶应用（中篇，共上中下3篇）.pptxVIP

Chapter5基于卷积神经网络的目标检测第五章DeepLearningAndAutonomousDriving深度学习与自动驾驶应用

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第2页5.4AnchorFree目标检测算法5.1目标检测概述5.3单阶段目标检测算法5.2两阶段目标检测算法5.5实践项目目录Content

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第3页5.1目标检测概述本节内容：

（1）目标检测的基本介绍

（2）目标检测的发展

（3）数据格式与评估指标

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第4页目标检测的基本介绍目标检测是计算机图形学领域里一个重要的研究方向。其主要任务是判断数字图像中是否具有目标对象的区域，并输出该区域的位置和该区域是此目标对象的置信度。目标检测包含两个子任务：物体定位和物体分类。目标检测方法已在众多领域得到应用。商品识别病变组织识别交通标志识别行人车辆识别

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第5页目标检测的基本介绍采用传统的目标检测方法，模型的可解释性好、但适应能力较差、模型较为复杂；

随着对样本数量的增加，模型的复杂程度也在增加，而准确度却并没有明显的提升。基于深度学习的目标检测算法，则要求相当规模的训练样本数量，模型训练对硬件算力的要求也较高；

但方法简单、方便增删分类数量、适应性好；

且随着样本数量的增加，算法的准确度也逐渐提高。

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第6页目标检测的发展根据特征提取的方式，目标检测算法可以分为：

传统的目标检测算法、

基于深度学习的目标检测算法

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第7页目标检测数据格式常用的数据格式：PASCALVOC格式和COCO格式。VOC格式来自于同名的竞赛，该数据集格式定义了数据存放的目录结构；其中，一个xml文件对应一张图片，用于保存图片的标注信息。COCO格式是微软构建的一种目标检测大型基准数据集，其与VOC数据集最大的不同在于整个训练集的标注信息都存放在一个json文件内。VOC数据集文件结构COCO格式json文件内容

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第8页目标检测评价指标评价一种目标检测算法可以从两个角度考虑

一是目标检测模型的复杂度，二是目标检测模型的性能。前者反映了模型在应用时需要的存储空间大小、计算资源多少、运行时间长短。

常用指标有：

FLOPS（浮点运算数量）：反映算法大致所需资源。

FPS（每秒帧数）：反映模型执行过程中的执行速度。后者反映了目标检测算法的预测结果与真实值的接近程度。

其可再细化为：输出位置的准确性、输出类型的准确性

因此，引入以下指标：

位置相关：中心距离、图像重叠程度、倒角距离

类型相关：准确率、精准率、召回率、平均正确率、均值平均精度

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第9页目标检测评价指标与类型相关的评价指标：

准确率（Accuracy）、精准率（Precision，P）、召回率（Recall，R）、P-R曲线（P-RCurve）、

平均正确率（AveragePrecision，AP）、均值平均精度（meanAveragePrecision，mAP）等目标检测的结果可以分为以下四类：

①正样本识别为正样本（TruePositive，TP）、②正样本识别为负样本（FalsePositive，FP）、

③负样本识别为负样本（TrueNegative，TN）、④负样本识别为正样本（FalseNegative，FN）。使用#TP、#FP、#TN、#FN分别表示TP、FP、TN、FN的数量，则可以得到下列公式与图表。

DeepLearningAndAutonomousDriving深度学习与自动驾驶应用第10页目标检测评价指标数字比曲线图更能体现一个模型的好坏，因此定义平均正确率AP为P-R曲线下与横轴围成的面积。

通常AP越高，分类器的性能越好。由于AP只针对单一种类的目标检测，对于多分类的目标检测问题，定义均值平均精度mAP。

mAP是对每一类别结果AP值的平均数，反应了多分类目标检测模型的整体性能。

通常mAP越高，多分类器的性能越好。

Deep