复现论文《目标检测系统设计与实现》的后半部分，效果优秀但高度依赖参数调整和图像筛选.zip

简介：
目标检测技术旨在识别并定位图像中的特定物体。其核心任务在于通过分析和处理图像数据，实现对各类场景中物体的准确感知、分类及位置信息提取。由于不同类别的物体在外观特征、形态结构以及姿态角度等方面存在显著差异，并且受光照条件、成像距离等外部因素的影响较为复杂，因此目标检测算法的设计与优化一直被视为计算机视觉领域极具挑战性的研究课题之一。将目标检测任务划分为两个关键的子任务：目标定位与目标分类。首先进行目标位置的识别（即完成目标定位）。然后给出各目标的具体类别（即完成目标分类）。输出结果包括边界框信息、置信度分数等数据。其中，Bounding-box表示为(x1,y1,x2,y2)，指的是边界框的左上角和右下角坐标。Confidence Score则反映了检测结果的可信度，它不仅包含了是否包含目标物体的概率，还涵盖了各个分类的概率分布情况（通过Softmax函数可得到具体的类别标签）。 Two stage方法目前主流的目标检测算法主要分为两类：Two stage与One stage方案。该方法将目标检测流程划分为两个独立阶段进行处理。首先，在候选框生成阶段，系统通过卷积神经网络从输入图像中提取特征信息，并结合selective search算法来确定候选区域的精确位置和数量。随后进入分类精炼过程，系统将上一阶段所得的候选区域作为输入数据，通过第二个CNN模块完成分类任务，并利用回归损失函数对边界框的位置进行微调。该方法的优点在于能够实现较高的检测精度，但计算速度相对较慢。主流TOp stage的目标检测算法包括R-CNN系列和SPPNet等。 One stage方法主要通过模型提取特征值，并用于目标分类和定位过程。该方法的优势在于显著提高了速度，这得益于省去了Region Proposal生成步骤。然而，这一方法存在一定的局限性，即其精度相对较低，因为未对潜在的目标进行前期筛查。 常用的OneStage目标检测算法包括YOLOv3、SSD(MobileNet)、RetinaNet及其变体等。 2.1 NMS(Non-Maximum Suppression) 通常会提供多个候选边界框。 在实际应用中，处理如此之多的结果在技术实现上是不切实际的。 非极大值抑制（NMS）的作用是从众多候选边界框中筛选出最具代表性的结果。通过这种方法可以有效提升算法效率，并且其具体工作流程包括以下几个步骤： 首先，在模型检测到所有物体后，会对每个物体生成多个候选边界框。 其次，计算这些候选边界框之间的重叠程度，并去除那些与之高度重叠的边界框。 接着，根据剩余的边界框及其置信度进行排序。 最后，按照排序结果依次筛选出置信度较高的边界框。 设置置信度分数阈值，并删除置信度低于该阈值的对象。对剩余框进行置信度分数排序后，选择具有最高置信度的那个框。对剩余未处理的框进行逐一排查，若某一框与其当前框的交并比大于0.7，则将其标记为需删除的对象。在未完全处理的框中，持续选择具有最高置信度的那个对象，并重复前面所述的操作步骤。当所有候选框都被处理完毕时，结束整个流程。 2.2 IoU（交并比Intersection over Union） 衡量了两组边界框之间的相似性。当两组边界框之间的差异较小时或重叠率较高时，说明该模型生成的预测边界框具有较高的准确性。具体而言，边界框A与B的IoU计算公式为： 我们将其称为均值平均精度（mAP），这是目标检测模型性能的核心评估标准。该数值通常在0到1之间浮动，数值越大代表模型在准确性和召回率上的综合表现越佳。mAP是各个类别或目标点上Average Precision（AP）的算术平均值，为了更好地理解这一指标，首先需要了解其背后的计算原理。具体而言，计算mAP之前，我们必须先掌握如何评估单个目标点的Precision和Recall性能。在深入探讨AP的含义时，我们又不得不回到基本概念：Precision是指预测结果中真实存在的项目的比例，而Recall则衡量了模型识别所有真实存在项目的能力。只有准确理解这两个关键指标，才能更好地把握AP的意义及其在整个检测流程中的重要性。我们确定置信度信心水平（Confidence Threshold）以及IoU指标（通常建议将其设为0.5，并且也会评估使用0.75和0.9的mAP值）：当一个预测边界框被视为True Positive（TP）时，在以下情况下需同时满足三个条件：Confidence Score > Confidence Threshold 该分类器将预测类别的标签与真实类别进行对比。 预测边界框的IoU大于设定的IoU阈值，则判断为False Positive（FP）。在同一个真实值的预测结果中存在多个预测时，仅保留置信度最高者作为True Positive，其余则标记为False Positive。计算精度与召回率的方法通过下文公式可得Precision定义为精确率的比值于TP与预测边界框数量的比例