MainPage/Computer Vision/Lecture/3-1 RAW

语音识别：Youtube 转文本 断句与标点：chatGPT 4o 翻译：chatGPT 4o

Введение. Классическая схема сканирующего окна для детектирования объектов
介绍。用于物体检测的经典扫描窗口设计

Сегодня мы рассмотрим базовую задачу компьютерного зрения, которая имеет на данный момент, пожалуй, самый широкий спектр применения в промышленности. В данной лекции мы поговорим о детектировании объектов. Формальная постановка данной задачи выглядит следующим образом: для входной фотографии и некоторого списка детектируемых классов объектов, которые нам заданы набором примеров изображений для каждого класса, нам необходимо определить координаты позиции в пикселах охватывающего прямоугольника для каждого присутствия объекта каждого детектируемого класса на входном изображении.
今天我们将讨论一个基本的计算机视觉任务，这个任务目前在工业界具有最广泛的应用。在本讲座中，我们将谈论对象检测。这项任务的正式描述如下：对于输入图像和一些被检测的对象类别列表，这些类别由每个类别的示例图像集合给出，我们需要确定每个检测对象在输入图像中的位置坐标（以像素为单位）和包围框。

Сделаем некоторые оговорки насчет постановки. Иногда, помимо самих бокс и классов, требуется выдавать некоторое подобие вероятности уверенности нахождения объекта определенного класса в этом боксе, то есть вещественное число от нуля до единицы. Сделаем вторую оговорку: в большинстве случаев охватывающие прямоугольники параллельны осям координат изображения, однако в некоторых случаях охватывающие четырехугольники могут быть не прямоугольными. Более того, чаще всего примеры объектов каждого класса задаются в формате набора изображений и аннотаций, которые совпадают с идеальным ответом детектора для этого изображения и установленного набора классов.
我们对任务描述做一些说明。有时，除了包围框和类别之外，还需要给出某种概率表示，即确定某个类别对象在该包围框中的置信度，这个概率值在0到1之间。第二个说明是：大多数情况下，包围框与图像坐标轴平行，但在某些情况下，包围框可能不是矩形的。此外，每个类别的对象示例通常以图像和注释的形式给出，这些注释与检测器对该图像和类别集合的理想答案相符。

До появления глубоких нейронных архитектур в задачах компьютерного зрения все подходы, применяемые при решении реальных задач в промышленности, как правило, сводились к одной и той же схеме. Определялась область наиболее вероятного нахождения объектов с помощью каких-либо эвристик или априорной разметки на этапе калибровки системы. После чего на данные области проходились сканирующим окном различных форм и размеров. Затем на участки изображения, ограниченные окном, запускались классификаторы, определяющие вероятность нахождения объекта определенного класса в данном регионе, ограниченном охватывающим окном. На заключительной стадии производилась некоторая постобработка, в ходе которой происходило объединение, уточнение боксов, а также уточнение списка зафиксированных объектов.
在深度神经网络架构出现之前，计算机视觉任务中的所有方法通常都遵循相同的方案。在系统校准阶段，通过某些启发式方法或先验标记来确定最有可能出现对象的区域。然后使用各种形状和大小的扫描窗口对这些区域进行扫描。接下来，在由窗口限定的图像区域上运行分类器，确定特定类别对象在该区域内的概率。在最后阶段进行一些后处理，合并和调整包围框，并更新固定对象的列表。

Конечно, классическая схема детектора описана довольно грубо. Активно применялись многочисленные оптимизации, такие как совмещение стадий работы общего алгоритма, а также различные вариации пирамидальной обработки и использования уже полученных результатов классификации на уже обработанных сканирующим окном участках входного изображения. Ввиду не оптимальности и несопоставимости с лучшими результатами работы на открытых наборах данных, особенно в случае многоклассового детектирования, мы не будем долго останавливаться на подходах, не использующих глубокие нейросетевые архитектуры.
当然，传统的检测器方案描述得比较粗略。实际上，使用了许多优化技术，例如合并通用算法的各个阶段，以及不同的金字塔处理变体，并利用在扫描窗口处理的图像区域中已获得的分类结果。由于传统方法在开放数据集上的表现与最佳结果不相匹配，尤其是在多类别检测的情况下，我们不会详细讨论不使用深度神经网络架构的方法。

Рассмотрим, пожалуй, самый известный классический алгоритм детектирования — Виола-Джонс, который долгое время работал почти во всех цифровых фотоаппаратах, использующих функционал поиска человеческих лиц. Итак, метод Виолы-Джонса позволяет обнаруживать объекты на изображениях в реальном времени. Хотя данный алгоритм может распознавать объекты любой природы, основной задачей при его создании было обнаружение человеческих лиц. В основе алгоритма лежит идея построения сильного классификатора с помощью каскада слабых, каждый из которых основан на использовании специального признака, некоторого подобия ядра свертки. Слабые классификаторы объединяются во взвешенную сумму, общая схема обучается с помощью AdaBoost.
我们将探讨最著名的经典检测算法——Viola-Jones算法，该算法长期以来在几乎所有使用人脸检测功能的数码相机中工作。Viola-Jones方法可以实时检测图像中的对象。尽管该算法可以识别任何类型的对象，其主要目标是检测人脸。该算法的核心思想是通过级联弱分类器构建强分类器，每个弱分类器都基于某种卷积核特征。弱分类器通过加权和结合，整体方案使用AdaBoost进行训练。

Признаки, используемые алгоритмом, опираются на суммирование пикселов из прямоугольных регионов. Сами признаки несколько напоминают признаки Хаара, которые ранее также использовались для поиска объектов на изображении. Однако признаки из алгоритма Виолы-Джонса содержат более одной прямоугольной области и несколько сложнее. На иллюстрации справа показаны четыре различных типа признаков. Величина каждого признака вычисляется как сумма пикселов в белых прямоугольниках, из которой вычитается сумма пикселов в черных областях. Прямоугольные признаки довольно примитивны, и несмотря на то что они чувствительны к вертикальным и горизонтальным особенностям изображений, результат поиска фрагмента с их помощью довольно груб.
算法使用的特征基于矩形区域内像素的累加。这些特征有点类似于早期用于对象检测的Haar特征。然而，Viola-Jones算法的特征包含多个矩形区域，结构更复杂。右侧的插图展示了四种不同类型的特征。每个特征的值计算为白色矩形内像素之和减去黑色区域内像素之和。尽管这些矩形特征非常原始，它们对图像的垂直和水平特征敏感，但使用它们进行的碎片搜索结果较为粗糙。

Однако при хранении изображений в интегральном формате, это когда в каждом пикселе изображения записана сумма всех пикселов левее и выше данного, проверка прямоугольного признака на конкретной позиции производится за константное время, что является преимуществом по сравнению с более точными вариантами. Каждая прямоугольная область в используемых признаках всегда смежна с другими прямоугольными областями. Поэтому расчет признака с двумя прямоугольниками состоит из шести обращений в интегральный массив, а для признака с тремя прямоугольниками — из восьми, с четырьмя — из девяти. Высокая скорость обсчета признаков не компенсирует значительное количество различных возможных признаков. К примеру, при стандартном размере признака в 24 на 24 пикселя возможно 162 тысячи различных итоговых комбинаций, и их расчет может занять большое количество времени. Поэтому в подходе, предложенном Виолой и Джонсом, используется вариация алгоритма обучения AdaBoost как для выбора признаков, так и для настройки классификаторов.
但是，如果图像以积分图形式存储，即每个像素存储的是该像素左侧和上方所有像素的累加和，那么在特定位置检查矩形特征的时间是恒定的，这相比更精确的方法是一个优势。使用的矩形特征中的每个区域始终与其他矩形区域相邻。因此，两个矩形特征的计算涉及六次积分数组访问，三个矩形特征涉及八次访问，四个矩形特征涉及九次访问。尽管特征计算速度很快，但可能的特征组合数量非常大。以24x24像素的标准特征大小为例，可能的特征组合有162000种，计算这些组合可能需要大量时间。因此，Viola-Jones方法中使用了一种AdaBoost算法变体来选择特征并调整分类器。

Минусы AdaBoost заключаются в следующем. Иногда возникает переобучение при наличии значительного уровня шума в данных. Экспоненциальная функция потерь слишком сильно увеличивает веса наиболее трудных объектов, на которых ошибаются многие базовые алгоритмы. Однако именно эти объекты чаще всего оказываются шумовыми. В результате AdaBoost начинает настраиваться на шум, что ведет к переобучению. Проблема решается путем удаления выбросов или применения менее агрессивных функций потерь, в частности, применяется алгоритм GentleBoost. AdaBoost требует достаточно длинных обучающих выборок. Другие методы линейных коррекций, в частности Bagging, способны строить алгоритмы сопоставимого качества по меньшим выборкам данных. Бывает построение не оптимального набора базовых алгоритмов для обучения композиции. Можно периодически возвращаться к ранее построенным алгоритмам и обучать их заново.
AdaBoost的缺点如下。有时会在数据噪音较高的情况下出现过拟合。指数损失函数会过度增加难分类对象的权重，而这些对象往往是噪音对象。结果，AdaBoost开始对噪音进行调整，导致过拟合。这个问题可以通过删除离群值或使用更不激进的损失函数来解决，例如GentleBoost。AdaBoost需要较长的训练样本。其他线性校正方法，如Bagging，可以在较小的数据集上构建质量相当的算法。有时会构建不理想的基算法集来训练组合算法，可以周期性地返回先前构建的算法并重新训练它们。

Boosting может приводить к построению громоздких композиций, состоящих из сотен алгоритмов. Такие композиции исключают возможность содержательной интерпретации, требуют больших объемов памяти для хранения базовых алгоритмов и существенных временных затрат на вычисления классификаций.
Boosting可能导致构建庞大的组合算法，这些组合包含数百个算法。这些组合无法进行实质性解释，需要大量内存来存储基算法，并且分类计算需要相当多的时间。