近年來(lái)，深度學(xué)習(xí)模型逐漸取代傳統(tǒng)機(jī)器視覺(jué)方法而成為目標(biāo)檢測(cè)領(lǐng)域的主流算法，本系列文章將回顧早期的經(jīng)典工作，并對(duì)較新的趨勢(shì)做一個(gè)全景式的介紹，幫助讀者對(duì)這一領(lǐng)域建立基本的認(rèn)識(shí)。

導(dǎo)言：目標(biāo)檢測(cè)的任務(wù)表述

如何從圖像中解析出可供計(jì)算機(jī)理解的信息，是機(jī)器視覺(jué)的中心問(wèn)題。深度學(xué)習(xí)模型由于其強(qiáng)大的表示能力，加之?dāng)?shù)據(jù)量的積累和計(jì)算力的進(jìn)步，成為機(jī)器視覺(jué)的熱點(diǎn)研究方向。

那么，如何理解一張圖片？根據(jù)后續(xù)任務(wù)的需要，有三個(gè)主要的層次。

 

圖像理解的三個(gè)層次

 

一是分類（Classification），即是將圖像結(jié)構(gòu)化為某一類別的信息，用事先確定好的類別(string)或?qū)嵗齀D來(lái)描述圖片。這一任務(wù)是最簡(jiǎn)單、最基礎(chǔ)的圖像理解任務(wù)，也是深度學(xué)習(xí)模型最先取得突破和實(shí)現(xiàn)大規(guī)模應(yīng)用的任務(wù)。其中，ImageNet是最權(quán)威的評(píng)測(cè)集，每年的ILSVRC催生了大量的優(yōu)秀深度網(wǎng)絡(luò)結(jié)構(gòu)，為其他任務(wù)提供了基礎(chǔ)。在應(yīng)用領(lǐng)域，人臉、場(chǎng)景的識(shí)別等都可以歸為分類任務(wù)。

二是檢測(cè)（Detection）。分類任務(wù)關(guān)心整體，給出的是整張圖片的內(nèi)容描述，而檢測(cè)則關(guān)注特定的物體目標(biāo)，要求同時(shí)獲得這一目標(biāo)的類別信息和位置信息。相比分類，檢測(cè)給出的是對(duì)圖片前景和背景的理解，我們需要從背景中分離出感興趣的目標(biāo)，并確定這一目標(biāo)的描述（類別和位置），因而，檢測(cè)模型的輸出是一個(gè)列表，列表的每一項(xiàng)使用一個(gè)數(shù)據(jù)組給出檢出目標(biāo)的類別和位置（常用矩形檢測(cè)框的坐標(biāo)表示）。

三是分割（Segmentation）。分割包括語(yǔ)義分割（semantic segmentation）和實(shí)例分割（instance segmentation），前者是對(duì)前背景分離的拓展，要求分離開具有不同語(yǔ)義的圖像部分，而后者是檢測(cè)任務(wù)的拓展，要求描述出目標(biāo)的輪廓（相比檢測(cè)框更為精細(xì)）。分割是對(duì)圖像的像素級(jí)描述，它賦予每個(gè)像素類別（實(shí)例）意義，適用于理解要求較高的場(chǎng)景，如無(wú)人駕駛中對(duì)道路和非道路的分割。

本系列文章關(guān)注的領(lǐng)域是目標(biāo)檢測(cè)，即圖像理解的中層次。