第一篇：目標(biāo)檢測(cè)RCNN到SSD學(xué)習(xí)總結(jié)

第一部分從RCNN開(kāi)始介紹基于候選區(qū)域的目標(biāo)檢測(cè)器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分則重點(diǎn)討論了包括YOLO、SSD和RetinaNet等在內(nèi)的單次檢測(cè)器。

深度學(xué)習(xí)目標(biāo)檢測(cè)模型全面綜述：Faster R-CNN、R-FCN和SSD從零開(kāi)始PyTorch項(xiàng)目：YOLO v3目標(biāo)檢測(cè)實(shí)現(xiàn)像玩樂(lè)高一樣拆解Faster R-CNN：詳解目標(biāo)檢測(cè)的實(shí)現(xiàn)過(guò)程后RCNN時(shí)代的物體檢測(cè)及實(shí)例分割進(jìn)展物體檢測(cè)算法全概述：從傳統(tǒng)檢測(cè)方法到深度神經(jīng)網(wǎng)絡(luò)框架

基于候選區(qū)域的目標(biāo)檢測(cè)器 滑動(dòng)窗口檢測(cè)器

一種用于目標(biāo)檢測(cè)的暴力方法是從左到右、從上到下滑動(dòng)窗口，利用分類識(shí)別目標(biāo)。為了在不同觀察距離處檢測(cè)不同的目標(biāo)類型，我們使用不同大小和寬高比的窗口。

滑動(dòng)窗口（從右到左，從上到下）根據(jù)滑動(dòng)窗口從圖像中剪切圖像塊。由于很多分類器只取固定大小的圖像，因此這些圖像塊是經(jīng)過(guò)變形轉(zhuǎn)換的。但是，這不影響分類準(zhǔn)確率，因?yàn)榉诸惼骺梢蕴幚碜冃魏蟮膱D像。將圖像變形轉(zhuǎn)換成固定大小的圖像。變形圖像塊被輸入 CNN 分類器中，提取出 4096 個(gè)特征。之后，我們使用 SVM 分類器識(shí)別類別和該邊界框的另一個(gè)線性回歸器。

滑動(dòng)窗口檢測(cè)器的系統(tǒng)工作流程圖。我們創(chuàng)建很多窗口來(lái)檢測(cè)不同位置的不同目標(biāo)。要提升性能，一個(gè)簡(jiǎn)單的辦法就是減少窗口數(shù)量。選擇性搜索

用候選區(qū)域方法（region proposal method）創(chuàng)建目標(biāo)檢測(cè)的感興趣區(qū)域（ROI）。在選擇性搜索（selective search，SS）中，首先將每個(gè)像素作為一組。然后，計(jì)算每一組的紋理，并將兩個(gè)最接近的組結(jié)合起來(lái)。但是為了避免單個(gè)區(qū)域吞噬其他區(qū)域，我們首先對(duì)較小的組進(jìn)行分組。我們繼續(xù)合并區(qū)域，直到所有區(qū)域都結(jié)合在一起。下圖第一行展示了如何使區(qū)域增長(zhǎng)，第二行中的藍(lán)色矩形代表合并過(guò)程中所有可能的 ROI。（作者為了保證能夠劃分的完全，對(duì)于相似度，作者提出了可以多樣化的思路，不但使用多樣的顏色空間（RGB，Lab，HSV等等），還有很多不同的相似度計(jì)算方法。論文考慮了顏色、紋理、尺寸和空間交疊這4個(gè)參數(shù)）

R-CNN

R-CNN 利用候選區(qū)域方法創(chuàng)建了約 2000 個(gè) ROI。這些區(qū)域被轉(zhuǎn)換為固定大小的圖像，并分別饋送到卷積神經(jīng)網(wǎng)絡(luò)中。該網(wǎng)絡(luò)架構(gòu)后面會(huì)跟幾個(gè)全連接層，以實(shí)現(xiàn)目標(biāo)分類并提煉邊界框。使用候選區(qū)域、CNN、仿射層來(lái)定位目標(biāo)。以下是 R-CNN 整個(gè)系統(tǒng)的流程圖：

通過(guò)使用更少且更高質(zhì)量的 ROI，R-CNN 要比滑動(dòng)窗口方法更快速、更準(zhǔn)確。邊界框回歸器

候選區(qū)域方法有非常高的計(jì)算復(fù)雜度。為了加速這個(gè)過(guò)程，通常會(huì)使用計(jì)算量較少的候選區(qū)域選擇方法構(gòu)建 ROI，并在后面使用線性回歸器（使用全連接層）進(jìn)一步提煉邊界框。使用回歸方法將藍(lán)色的原始邊界框提煉為紅色的。

Fast R-CNN

R-CNN 需要非常多的候選區(qū)域以提升準(zhǔn)確度，但其實(shí)有很多區(qū)域是彼此重疊的，因此 R-CNN 的訓(xùn)練和推斷速度非常慢。如果我們有 2000 個(gè)候選區(qū)域，且每一個(gè)都需要獨(dú)立地饋送到 CNN 中，那么對(duì)于不同的 ROI，我們需要重復(fù)提取 2000 次特征。

此外，CNN 中的特征圖以一種密集的方式表征空間特征，那么我們能直接使用特征圖代替原圖來(lái)檢測(cè)目標(biāo)嗎？

直接利用特征圖計(jì)算 ROI。

Fast R-CNN 使用特征提取器（CNN）先提取整個(gè)圖像的特征，而不是從頭開(kāi)始對(duì)每個(gè)圖像塊提取多次。然后，我們可以將創(chuàng)建候選區(qū)域的方法直接應(yīng)用到提取到的特征圖上。例如，F(xiàn)ast R-CNN 選擇了 VGG16 中的卷積層 conv5 來(lái)生成 ROI，這些關(guān)注區(qū)域隨后會(huì)結(jié)合對(duì)應(yīng)的特征圖以裁剪為特征圖塊，并用于目標(biāo)檢測(cè)任務(wù)中。我們使用 ROI 池化將特征圖塊轉(zhuǎn)換為固定的大小，并饋送到全連接層進(jìn)行分類和定位。因?yàn)?Fast-RCNN 不會(huì)重復(fù)提取特征，因此它能顯著地減少處理時(shí)間。

將候選區(qū)域直接應(yīng)用于特征圖，并使用 ROI 池化將其轉(zhuǎn)化為固定大小的特征圖塊。以下是 Fast R-CNN 的流程圖：

在下面的偽代碼中，計(jì)算量巨大的特征提取過(guò)程從 For 循環(huán)中移出來(lái)了，因此速度得到顯著提升。Fast R-CNN 的訓(xùn)練速度是 R-CNN 的 10 倍，推斷速度是后者的 150 倍。

Fast R-CNN 最重要的一點(diǎn)就是包含特征提取器、分類器和邊界框回歸器在內(nèi)的整個(gè)網(wǎng)絡(luò)能通過(guò)多任務(wù)損失函數(shù)進(jìn)行端到端的訓(xùn)練，這種多任務(wù)損失即結(jié)合了分類損失和定位損失的方法，大大提升了模型準(zhǔn)確度。

ROI 池化

因?yàn)?Fast R-CNN 使用全連接層，所以我們應(yīng)用 ROI 池化將不同大小的 ROI 轉(zhuǎn)換為固定大小。為簡(jiǎn)潔起見(jiàn)，我們先將 8×8 特征圖轉(zhuǎn)換為預(yù)定義的 2×2 大小。

下圖左上角：特征圖。右上角：將 ROI（藍(lán)色區(qū)域）與特征圖重疊。左下角：將 ROI 拆分為目標(biāo)維度。例如，對(duì)于 2×2 目標(biāo)，我們將 ROI 分割為 4 個(gè)大小相似或相等的部分。右下角：找到每個(gè)部分的最大值，得到變換后的特征圖。輸入特征圖（左上），輸出特征圖（右下），ROI(右上，藍(lán)色框)。

按上述步驟得到一個(gè) 2×2 的特征圖塊，可以饋送至分類器和邊界框回歸器中。Faster R-CNN

Fast R-CNN 依賴于外部候選區(qū)域方法，如選擇性搜索。但這些算法在 CPU 上運(yùn)行且速度很慢。在測(cè)試中，F(xiàn)ast R-CNN 需要 2.3 秒來(lái)進(jìn)行預(yù)測(cè)，其中 2 秒用于生成 2000 個(gè) ROI。

Faster R-CNN 采用與 Fast R-CNN 相同的設(shè)計(jì)，只是它用內(nèi)部深層網(wǎng)絡(luò)代替了候選區(qū)域方法。新的候選區(qū)域網(wǎng)絡(luò)（RPN）在生成 ROI 時(shí)效率更高，并且以每幅圖像 10 毫秒的速度運(yùn)行。

Faster R-CNN 的流程圖與 Fast R-CNN 相同

候選區(qū)域網(wǎng)絡(luò)

候選區(qū)域網(wǎng)絡(luò)（RPN）將第一個(gè)卷積網(wǎng)絡(luò)的輸出特征圖作為輸入。它在特征圖上滑動(dòng)一個(gè) 3×3 的卷積核，以使用卷積網(wǎng)絡(luò)（如下所示的 ZF 網(wǎng)絡(luò)）構(gòu)建與類別無(wú)關(guān)的候選區(qū)域。其

外部候選區(qū)域方法代替了內(nèi)部深層網(wǎng)絡(luò)

他深度網(wǎng)絡(luò)（如 VGG 或 ResNet）可用于更全面的特征提取，但這需要以速度為代價(jià)。ZF 網(wǎng)絡(luò)最后會(huì)輸出 256 個(gè)值，它們將饋送到兩個(gè)獨(dú)立的全連接層，以預(yù)測(cè)邊界框和兩個(gè) objectness 分?jǐn)?shù)，這兩個(gè) objectness 分?jǐn)?shù)度量了邊界框是否包含目標(biāo)。我們其實(shí)可以使用回歸器計(jì)算單個(gè) objectness 分?jǐn)?shù)，但為簡(jiǎn)潔起見(jiàn)，F(xiàn)aster R-CNN 使用只有兩個(gè)類別的分類器：即帶有目標(biāo)的類別和不帶有目標(biāo)的類別。

對(duì)于特征圖中的每一個(gè)位置，RPN 會(huì)做 k 次預(yù)測(cè)。因此，RPN 將輸出 4×k 個(gè)坐標(biāo)和每個(gè)位置上 2×k 個(gè)得分。下圖展示了 8×8 的特征圖，且有一個(gè) 3×3 的卷積核執(zhí)行運(yùn)算，它最后輸出 8×8×3 個(gè) ROI（其中 k=3）。下圖（右）展示了單個(gè)位置的 3 個(gè)候選區(qū)域。

此處有 3 種猜想，稍后我們將予以完善。由于只需要一個(gè)正確猜想，因此我們最初的猜想最好涵蓋不同的形狀和大小。因此，F(xiàn)aster R-CNN 不會(huì)創(chuàng)建隨機(jī)邊界框。相反，它會(huì)預(yù)測(cè)一些與左上角名為「錨點(diǎn)」的參考框相關(guān)的偏移量（如x、y）。我們限制這些偏移量的值，因此我們的猜想仍然類似于錨點(diǎn)。

要對(duì)每個(gè)位置進(jìn)行 k 個(gè)預(yù)測(cè)，我們需要以每個(gè)位置為中心的 k 個(gè)錨點(diǎn)。每個(gè)預(yù)測(cè)與特定錨點(diǎn)相關(guān)聯(lián)，但不同位置共享相同形狀的錨點(diǎn)。

這些錨點(diǎn)是精心挑選的，因此它們是多樣的，且覆蓋具有不同比例和寬高比的現(xiàn)實(shí)目標(biāo)。這使得我們可以以更好的猜想來(lái)指導(dǎo)初始訓(xùn)練，并允許每個(gè)預(yù)測(cè)專門用于特定的形狀。該策略使早期訓(xùn)練更加穩(wěn)定和簡(jiǎn)便。

Faster R-CNN 使用更多的錨點(diǎn)。它部署 9 個(gè)錨點(diǎn)框：3 個(gè)不同寬高比的 3 個(gè)不同大小的錨點(diǎn)框。每一個(gè)位置使用 9 個(gè)錨點(diǎn)，每個(gè)位置會(huì)生成 2×9 個(gè) objectness 分?jǐn)?shù)和 4×9 個(gè)坐標(biāo)。

R-CNN 方法的性能

如下圖所示，F(xiàn)aster R-CNN 的速度要快得多?；趨^(qū)域的全卷積神經(jīng)網(wǎng)絡(luò)（R-FCN）

假設(shè)我們只有一個(gè)特征圖用來(lái)檢測(cè)右眼。那么我們可以使用它定位人臉嗎？應(yīng)該可以。因?yàn)橛已蹜?yīng)該在人臉圖像的左上角，所以我們可以利用這一點(diǎn)定位整個(gè)人臉。

如果我們還有其他用來(lái)檢測(cè)左眼、鼻子或嘴巴的特征圖，那么我們可以將檢測(cè)結(jié)果結(jié)合起來(lái)，更好地定位人臉。

現(xiàn)在我們回顧一下所有問(wèn)題。在 Faster R-CNN 中，檢測(cè)器使用了多個(gè)全連接層進(jìn)行預(yù)測(cè)。如果有 2000 個(gè) ROI，那么成本非常高。

R-FCN 通過(guò)減少每個(gè) ROI 所需的工作量實(shí)現(xiàn)加速。上面基于區(qū)域的特征圖與 ROI 是獨(dú)立的，可以在每個(gè) ROI 之外單獨(dú)計(jì)算。剩下的工作就比較簡(jiǎn)單了，因此 R-FCN 的速度比 Faster R-CNN 快。

現(xiàn)在我們來(lái)看一下 5 × 5 的特征圖 M，內(nèi)部包含一個(gè)藍(lán)色方塊。我們將方塊平均分成 3 × 3 個(gè)區(qū)域。現(xiàn)在，我們?cè)?M 中創(chuàng)建了一個(gè)新的特征圖，來(lái)檢測(cè)方塊的左上角（TL）。這個(gè)新的特征圖如下圖（右）所示。只有黃色的網(wǎng)格單元 [2, 2] 處于激活狀態(tài)。

在左側(cè)創(chuàng)建一個(gè)新的特征圖，用于檢測(cè)目標(biāo)的左上角

我們將方塊分成 9 個(gè)部分，由此創(chuàng)建了 9 個(gè)特征圖，每個(gè)用來(lái)檢測(cè)對(duì)應(yīng)的目標(biāo)區(qū)域。這些特征圖叫作位置敏感得分圖（position-sensitive score map），因?yàn)槊總€(gè)圖檢測(cè)目標(biāo)的子區(qū)域（計(jì)算其得分）。

生成 9 個(gè)得分圖

下圖中紅色虛線矩形是建議的 ROI。我們將其分割成 3 × 3 個(gè)區(qū)域，并詢問(wèn)每個(gè)區(qū)域包含目標(biāo)對(duì)應(yīng)部分的概率是多少。例如，左上角 ROI 區(qū)域包含左眼的概率。我們將結(jié)果存儲(chǔ)成 3 × 3 vote 數(shù)組，如下圖（右）所示。例如，vote_array[0][0] 包含左上角區(qū)域是否包含目標(biāo)對(duì)應(yīng)部分的得分。

將 ROI 應(yīng)用到特征圖上，輸出一個(gè) 3 x 3 數(shù)組。

將得分圖和 ROI 映射到 vote 數(shù)組的過(guò)程叫作位置敏感 ROI 池化（position-sensitive ROI-pool）。該過(guò)程與前面討論過(guò)的 ROI 池化非常接近。

將 ROI 的一部分疊加到對(duì)應(yīng)的得分圖上，計(jì)算 V[i][j]。

在計(jì)算出位置敏感 ROI 池化的所有值后，類別得分是其所有元素得分的平均值。

ROI 池化

假如我們有 C 個(gè)類別要檢測(cè)。我們將其擴(kuò)展為 C + 1 個(gè)類別，這樣就為背景（非目標(biāo)）增加了一個(gè)新的類別。每個(gè)類別有 3 × 3 個(gè)得分圖，因此一共有(C+1)× 3 × 3 個(gè)得分圖。使用每個(gè)類別的得分圖可以預(yù)測(cè)出該類別的類別得分。然后我們對(duì)這些得分應(yīng)用 softmax 函數(shù)，計(jì)算出每個(gè)類別的概率。以下是數(shù)據(jù)流圖，在我們的案例中，k=3。單次目標(biāo)檢測(cè)器

單次目標(biāo)檢測(cè)器（包括 SSD、YOLO、YOLOv2、YOLOv3）

我們將分析 FPN 以理解多尺度特征圖如何提高準(zhǔn)確率，特別是小目標(biāo)的檢測(cè)，其在單次檢測(cè)器中的檢測(cè)效果通常很差。然后我們將分析 Focal loss 和 RetinaNet，看看它們是如何解決訓(xùn)練過(guò)程中的類別不平衡問(wèn)題的。單次檢測(cè)器

Faster R-CNN 中，在分類器之后有一個(gè)專用的候選區(qū)域網(wǎng)絡(luò)。

Faster R-CNN 工作流

基于區(qū)域的檢測(cè)器是很準(zhǔn)確的，但需要付出代價(jià)。Faster R-CNN 在 PASCAL VOC 2007 測(cè)試集上每秒處理 7 幀的圖像（7 FPS）。和 R-FCN 類似，研究者通過(guò)減少每個(gè) ROI 的工作量來(lái)精簡(jiǎn)流程。作為替代，我們是否需要一個(gè)分離的候選區(qū)域步驟？我們可以直接在一個(gè)步驟內(nèi)得到邊界框和類別嗎？ YOLO

YOLO將全圖劃分為SXS的格子，每個(gè)格子負(fù)責(zé)中心在該格子的目標(biāo)檢測(cè)，采用一次性預(yù)測(cè)所有格子所含目標(biāo)的bbox、定位置信度以及所有類別概率向量來(lái)將問(wèn)題一次性解決(one-shot)。

YOLO 的核心思想就是利用整張圖作為網(wǎng)絡(luò)的輸入，直接在輸出層回歸 bounding box（邊界框）的位置及其所屬的類別。

將一幅圖像分成 SxS 個(gè)網(wǎng)格（grid cell），如果某個(gè) object 的中心落在這個(gè)網(wǎng)格中，則這個(gè)網(wǎng)格就負(fù)責(zé)預(yù)測(cè)這個(gè) object。

讓我們?cè)倏匆幌禄瑒?dòng)窗口檢測(cè)器。我們可以通過(guò)在特征圖上滑動(dòng)窗口來(lái)檢測(cè)目標(biāo)。對(duì)于不同的目標(biāo)類型，我們使用不同的窗口類型。以前的滑動(dòng)窗口方法的致命錯(cuò)誤在于使用窗口作為最終的邊界框，這就需要非常多的形狀來(lái)覆蓋大部分目標(biāo)。更有效的方法是將窗口當(dāng)做初始猜想，這樣我們就得到了從當(dāng)前滑動(dòng)窗口同時(shí)預(yù)測(cè)類別和邊界框的檢測(cè)器。

基于滑動(dòng)窗口進(jìn)行預(yù)測(cè)

這個(gè)概念和 Faster R-CNN 中的錨點(diǎn)很相似。然而，單次檢測(cè)器會(huì)同時(shí)預(yù)測(cè)邊界框和類別。例如，我們有一個(gè) 8 × 8 特征圖，并在每個(gè)位置做出 k 個(gè)預(yù)測(cè)，即總共有 8 × 8 × k 個(gè)預(yù)測(cè)結(jié)果。

在每個(gè)位置，我們有 k 個(gè)錨點(diǎn)（錨點(diǎn)是固定的初始邊界框猜想），一個(gè)錨點(diǎn)對(duì)應(yīng)一個(gè)特定位置。我們使用相同的 錨點(diǎn)形狀仔細(xì)地選擇錨點(diǎn)和每個(gè)位置。

使用 4 個(gè)錨點(diǎn)在每個(gè)位置做出 4 個(gè)預(yù)測(cè)。

以下是 4 個(gè)錨點(diǎn)（綠色）和 4 個(gè)對(duì)應(yīng)預(yù)測(cè)（藍(lán)色），每個(gè)預(yù)測(cè)對(duì)應(yīng)一個(gè)特定錨點(diǎn)。個(gè)預(yù)測(cè)，每個(gè)預(yù)測(cè)對(duì)應(yīng)一個(gè)錨點(diǎn)。

在 Faster R-CNN 中，我們使用卷積核來(lái)做 5 個(gè)參數(shù)的預(yù)測(cè)：4 個(gè)參數(shù)對(duì)應(yīng)某個(gè)錨點(diǎn)的預(yù)測(cè)邊框，1 個(gè)參數(shù)對(duì)應(yīng) objectness 置信度得分。因此 3× 3× D × 5 卷積核將特征圖從 8 × 8 × D 轉(zhuǎn)換為 8 × 8 × 5。

使用 3x3 卷積核計(jì)算預(yù)測(cè)。在單次檢測(cè)器中，卷積核還預(yù)測(cè) C 個(gè)類別概率以執(zhí)行分類（每個(gè)概率對(duì)應(yīng)一個(gè)類別）。因此我們應(yīng)用一個(gè) 3× 3× D × 25 卷積核將特征圖從 8 × 8 × D 轉(zhuǎn)換為 8 × 8 × 25（C=20）。每個(gè)位置做出 k 個(gè)預(yù)測(cè)，每個(gè)預(yù)測(cè)有 25 個(gè)參數(shù)。單次檢測(cè)器通常需要在準(zhǔn)確率和實(shí)時(shí)處理速度之間進(jìn)行權(quán)衡。它們?cè)跈z測(cè)太近距離或太小的目標(biāo)時(shí)容易出現(xiàn)問(wèn)題。在下圖中，左下角有 9 個(gè)圣誕老人，但某個(gè)單次檢測(cè)器只檢測(cè)出了 5 個(gè)。SSD

SSD 是使用 VGG19 網(wǎng)絡(luò)作為特征提取器（和 Faster R-CNN 中使用的 CNN 一樣）的單次檢測(cè)器。我們?cè)谠摼W(wǎng)絡(luò)之后添加自定義卷積層（藍(lán)色），并使用卷積核（綠色）執(zhí)行預(yù)測(cè)。

YOLO在卷積層后接全連接層，即檢測(cè)時(shí)只利用了最高層feature maps（包括Faster RCNN也是如此）；

而SSD采用了特征金字塔結(jié)構(gòu)進(jìn)行檢測(cè)，在多個(gè)feature maps上同時(shí)進(jìn)行softmax分類和位置回歸。

SSD使用低層feature map檢測(cè)小目標(biāo)，使用高層feature map檢測(cè)大目標(biāo)

SSD中引入了Prior Box：預(yù)選框+通過(guò)softmax分類+bounding box regression獲得真實(shí)目標(biāo)的位置。

同時(shí)對(duì)類別和位置執(zhí)行單次預(yù)測(cè)。然而，卷積層降低了空間維度和分辨率。因此上述模型僅可以檢測(cè)較大的目標(biāo)。為了解決該問(wèn)題，從多個(gè)特征圖上執(zhí)行獨(dú)立的目標(biāo)檢測(cè)。

使用多尺度特征圖用于檢測(cè)。

第二篇：點(diǎn)目標(biāo)檢測(cè)

點(diǎn)目標(biāo)檢測(cè)問(wèn)題是成像制導(dǎo)領(lǐng)域中的一個(gè)關(guān)鍵技術(shù) ,國(guó)內(nèi) 外對(duì)此提出過(guò)許多算法。文獻(xiàn)[1 ,2 ]對(duì)傳統(tǒng)算法進(jìn)行介紹與綜 述。總體而言 ,實(shí)時(shí)魯棒的小目標(biāo)自動(dòng)檢測(cè)技術(shù)尚未完全突 破 ,仍然是當(dāng)今世界高技術(shù)領(lǐng)域的熱門研究課題。目前這些傳 統(tǒng)算法為了在低信噪比條件下實(shí)現(xiàn)對(duì)點(diǎn)目標(biāo)較高的檢測(cè)概率 , 往往需要較大的計(jì)算量和存儲(chǔ)量。這些限制了具體算法在空 空導(dǎo)彈成像導(dǎo)引頭上的應(yīng)用 ,從而影響了成像導(dǎo)引頭獲得的更 大的截獲和跟蹤距離。

近年來(lái) ,國(guó)內(nèi)外學(xué)者利用數(shù)學(xué)形態(tài)學(xué)理論對(duì)點(diǎn)目標(biāo)檢測(cè)問(wèn)

題進(jìn)行了研究 ,并取得了一些成果。J.Barnett 在文獻(xiàn)[ 3 ]中對(duì) 形態(tài)學(xué)方法與線性空間濾波方法進(jìn)行了比較;Li Jicheng(李吉 成)等在文獻(xiàn)[4 ]中提出利用目標(biāo)圖像尺寸的先念知識(shí)選擇結(jié) 構(gòu)元素消除背景而保留目標(biāo)的方法;Horak文獻(xiàn)[5 ]中提出了基 于灰度形態(tài)學(xué) T op2hat 變換的弱目標(biāo)檢測(cè)方法 ,并在不含目標(biāo) 的背景圖像上構(gòu)造所需要的結(jié)構(gòu)元素;Rivest、羅賢龍、Zhu Zhen fu等人在文獻(xiàn)[6～8 ]也分別對(duì)基于形態(tài)學(xué)的方法進(jìn)行了 相應(yīng)研究;熊輝等人在文獻(xiàn)[9 ]中提出新的思路 ,其算法基于形 態(tài)學(xué)膨脹累加 ,實(shí)現(xiàn)對(duì)高空背景情況下抖動(dòng)目標(biāo)的檢測(cè) ,并對(duì) 抖動(dòng)為1～2個(gè)像素的點(diǎn)目標(biāo)進(jìn)行5幀累加仿真。前人的研究 表明 ,形態(tài)學(xué)方法對(duì)點(diǎn)目標(biāo)的檢測(cè)具有很大的潛力。為此 ,我 們?cè)趯?duì)成像導(dǎo)引頭進(jìn)行分析的基礎(chǔ)上 ,對(duì)形態(tài)學(xué)方法應(yīng)用于成 像導(dǎo)引頭進(jìn)行研究。

由于空空導(dǎo)彈所攻擊的目標(biāo)具有很高機(jī)動(dòng)能力和很寬的速度范圍 ,所以其性能指標(biāo)相對(duì)于其他紅外系統(tǒng)有較大區(qū)別。取典型凝視成像導(dǎo)引頭參數(shù) ,進(jìn)行仿真研究:幀頻為 100f/ s ,瞬 時(shí)視場(chǎng)為3× 3° ,搜索角速度為 15° / s ,探測(cè)器陣列為 128 ×128。經(jīng)過(guò)計(jì)算 ,可知在一幀時(shí)間內(nèi) ,導(dǎo)引頭由于搜索而掃描過(guò)的角 度為0.15° ,即6.4 個(gè)像素。在 10km距離處 ,由導(dǎo)彈目標(biāo)相對(duì) 運(yùn)動(dòng)引起的 ,目標(biāo)圖像在幀間位移1.55像素。這樣 ,在對(duì)目標(biāo) 截獲時(shí) ,由于導(dǎo)引頭搜索和目標(biāo)運(yùn)動(dòng)造成的目標(biāo)圖像總的幀間 位移最大值約為8 像素。仿真表明 ,在導(dǎo)彈發(fā)射后 ,導(dǎo)彈在目 標(biāo)跟蹤階段 ,目標(biāo)圖像幀間位移約為 1～10 像素(導(dǎo)彈失控

前)。因此 ,目標(biāo)圖像幀間位移在整個(gè)導(dǎo)彈點(diǎn)目標(biāo)搜索、截獲與 跟蹤過(guò)程中變化范圍可認(rèn)為在1～10像素。

仿真表明 ,利用現(xiàn)有基于形態(tài)學(xué)背景預(yù)測(cè)的方法進(jìn)行點(diǎn)目

標(biāo)檢測(cè)和識(shí)別時(shí) ,對(duì)背景均勻或起伏緩慢的情況效果很好。但 對(duì)于亮度梯度高的有云天空背景和地面背景 ,算法常常造成誤 判。分析其原因 ,發(fā)現(xiàn)往往跟蹤的是濾波后殘留的高亮度背景 邊角。

第三篇：《目標(biāo)檢測(cè)》作文

一、提建議：《目標(biāo)檢測(cè)》M1 1）.Dear Frank，There are a lot of things you should do.You should talk about it with your classmates.Maybe they just played a joke on you.Or maybe you should write a letter to your best friend if you think it is not easy for you to talk about it with others.Anyway, always be friendly to others and always smile to others!It is the best way to be popular!

Mary 2）（補(bǔ)充另一篇）...It's a good idea to watch English films and listen to real English songs.Try to read English newspapers and listen to English radio.They are good for your English.Try not to be shy when you start a conversation in English.Do you find it difficult to remember the English words? You should remember eight or ten words a day.How about placing the words on the wall or saying the English names for everything you see? Work hard, and you can learn English well.二、談?wù)搻?ài)好：《目標(biāo)檢測(cè)》M5 1)

Dear Miss Liu，My name is Lily.I’m 13years old.I’m from Class 1, Grade 8.I can play the violin.I began to play the violin at the age of 5.Now I can play it very well.I often take part in some competitions and I have won some prizes.I like music because I think music is very beautiful.It makes me happy.I also learn a lot from music.It improves my memory a lot.So I can remember English words easily.I hope I can play in our school orchestra.I believe I can do well.Yours，Lily

2)（補(bǔ)充另一篇）I like music very much because it can give me power when I am sad.People from different countries all like music very much.Music is very important for us.If there is no music is very important for us.If there is no music in the world, our life won't be so interesting.Pop music is my favourite.I think it sounds nice and it can make me feel relaxed.Jay Chou is my favourite singer.He is one of the most popular singers in Asia.三、介紹人物：《目標(biāo)檢測(cè)》M7

My friend Linda was born in Canada.She is 13 years old.She is a tall and thin girl with long hair.She is lovely and friendly.She has many hobbies, such as dancing and pop music.She also likes shopping and swimming, and reading is her favorite one.She usually invites me to go to the library at the weekend with her.There we read books and have fun together.This is my best friend.I love her.四、談?wù)撘?guī)定：《目標(biāo)檢測(cè)》M12 Miss White, it is a notice to the audience.It says that we should walk into the cinema hall fifteen minutes before the movie starts.We mustn’t smoke or talk loudly in the cinema hall.We mustn’t take food or drinks into it.We can’t use the mobile phone after the movie is on.We can’t use the camera.(補(bǔ)充另一篇）Dear Jack, I am very happy that you will come to visit China.I'll tell you some customs in China.You must walk on the right.When you meet other people, you should say hello to them instead of bowing.When you eat, you must use chopsticks.When you have dinner with a Chinese family, the host often asks you to eat more food.You don't need to eat it up.After the dinner, the host often makes tea for you.It's delicious.Before you leave the house, you should say goodbye to the host politely.Waiting for you!Yours, Zhang Tao

第四篇：水質(zhì)檢測(cè)員學(xué)習(xí)總結(jié)

鍋爐水處理檢測(cè)員培訓(xùn)考試學(xué)習(xí)總結(jié)

2016年五月下旬，有幸參加了鍋爐水質(zhì)檢測(cè)員培訓(xùn)及考試，培訓(xùn)學(xué)習(xí)過(guò)程中在老師的悉心教導(dǎo)和學(xué)員們的互相幫助下，我嚴(yán)格遵守學(xué)習(xí)紀(jì)律，刻苦學(xué)習(xí)各門專業(yè)課程，認(rèn)真參加理論考試、答辯考試及實(shí)際操作考試，通過(guò)學(xué)習(xí)，受益頗多，專業(yè)理論水平及實(shí)踐經(jīng)驗(yàn)進(jìn)一步增強(qiáng)，業(yè)務(wù)工作技能進(jìn)一步提升?，F(xiàn)就個(gè)人學(xué)習(xí)情況作一簡(jiǎn)要總結(jié)：

一、學(xué)習(xí)基本情況

首先，十分重視和珍惜此次學(xué)習(xí)機(jī)會(huì)。鍋爐水質(zhì)檢測(cè)工作形勢(shì)不斷發(fā)展變化，經(jīng)過(guò)此次學(xué)習(xí)充分認(rèn)識(shí)到之前所學(xué)知識(shí)及工作經(jīng)驗(yàn)在一定程度上已經(jīng)不能滿足工作的需要，急需補(bǔ)充新的知識(shí)。因此，我把這次學(xué)習(xí)當(dāng)作完善自身的需求，把學(xué)習(xí)當(dāng)成促進(jìn)工作的動(dòng)力。

第二，認(rèn)真遵守學(xué)習(xí)紀(jì)律。在整個(gè)學(xué)習(xí)過(guò)程中，能夠合理使用科學(xué)的學(xué)習(xí)方法，充分利用時(shí)間，勤學(xué)苦練；虛心向同學(xué)和教師請(qǐng)教；做到尊敬教師和同學(xué)。特別注重正確處理好工作與學(xué)習(xí)的關(guān)系，提前把培訓(xùn)期間的工作做出合理安排，確保能夠全身心參加面授學(xué)習(xí)。在業(yè)余時(shí)間，我認(rèn)真閱讀教學(xué)材料，仔細(xì)領(lǐng)會(huì)每節(jié)課程所講述的內(nèi)容，做到課前預(yù)習(xí)了解，把不明白的內(nèi)容帶到課堂，向教師請(qǐng)教；課后復(fù)習(xí)鞏固。這次培訓(xùn)的教師，是一些具有相關(guān)鍋爐水質(zhì)檢測(cè)工作實(shí)戰(zhàn)經(jīng)驗(yàn)的優(yōu)秀老師，他們的豐富理論知識(shí)和工作經(jīng)驗(yàn)吸引了我，增加了我學(xué)習(xí)的信心和決心。經(jīng)過(guò)半個(gè)月的培訓(xùn)學(xué)習(xí)，起到了事半功倍的效果。

二、學(xué)習(xí)的收獲及體會(huì)

首先，專業(yè)理論水平進(jìn)一步增強(qiáng)。在半個(gè)月的學(xué)習(xí)中，我認(rèn)真學(xué)習(xí)相關(guān)理論知識(shí)，掌握相關(guān)原理，熟悉儀器操作，理論聯(lián)系實(shí)踐，用先進(jìn)的理論武裝自己的頭腦，為比較順利地完成各項(xiàng)工作創(chuàng)造了良好思想條件，更重要的是，為我今后從事的鍋爐水處理工作奠定了堅(jiān)實(shí)基礎(chǔ)。

第二，掌握了相關(guān)的鍋爐腐蝕、結(jié)垢及離子交換等相關(guān)的實(shí)踐經(jīng)驗(yàn)，熟悉了相關(guān)的指標(biāo)意義，對(duì)標(biāo)準(zhǔn)有了更深的認(rèn)識(shí)，對(duì)鍋爐水處理中常用的加藥處理及離子交換設(shè)備有了直觀的認(rèn)識(shí)，為以后的工作學(xué)習(xí)打下了良好的基礎(chǔ)。

第三，業(yè)務(wù)工作能力 進(jìn)一步提升。在學(xué)習(xí)中，我堅(jiān)持學(xué)以致用，自覺(jué)將所學(xué)的課程知識(shí)與自身從事的鍋爐水質(zhì)檢測(cè)工作實(shí)踐相聯(lián)系，自覺(jué)從培訓(xùn)教材中探尋答案，并積極加強(qiáng)與同班學(xué)員之間的交流和討論，向其中經(jīng)驗(yàn)豐富的學(xué)員學(xué)習(xí)，在學(xué)習(xí)和交流中，往往有撥云見(jiàn)日和豁然開(kāi)朗的功效，我相信，這些對(duì)于我自身專業(yè)技能的提升，乃至于在今后工作的更好推進(jìn)以及自身事業(yè)的更好發(fā)展都將是大有裨益的。

“學(xué)無(wú)止境”，雖然水質(zhì)培訓(xùn)考試的學(xué)習(xí)已經(jīng)告一段落，但我對(duì)知識(shí)和技能的探求不會(huì)止步。今后，我將再接再厲，繼續(xù)保持并發(fā)揚(yáng)嚴(yán)謹(jǐn)?shù)淖黠L(fēng)，兢兢業(yè)業(yè)，不斷地完善自我，將所學(xué)知識(shí)運(yùn)用于實(shí)踐，在以后的工作和學(xué)習(xí)中爭(zhēng)取更大的成績(jī)，為鍋爐水質(zhì)檢測(cè)事業(yè)不斷發(fā)展做出自身應(yīng)有的貢獻(xiàn)！

第五篇：汽車性能檢測(cè)學(xué)習(xí)總結(jié)

科目：汽車性能檢測(cè)

班級(jí)：

姓名：

學(xué)號(hào)：

汽車性能檢測(cè)

汽車性能檢測(cè)學(xué)習(xí)心得

時(shí)光荏苒，大學(xué)的學(xué)習(xí)生活已悄然過(guò)半，本學(xué)期依舊以學(xué)習(xí)汽修專業(yè)課為主，作為本學(xué)期最后的一門課程，我們依舊認(rèn)真對(duì)待。在彭老師的精心安排和耐心指導(dǎo)下，順利完成了《汽車性能檢測(cè)》這一課程的學(xué)習(xí)任務(wù)，受益匪淺。

我們知道，項(xiàng)目化教學(xué)，是以項(xiàng)目為載體，以工作任務(wù)為中心來(lái)選擇、組織課程內(nèi)容，并以完成工作任務(wù)為主要學(xué)習(xí)方式的課程模式，其目的在于加強(qiáng)課程內(nèi)容與工作之間的相關(guān)性，整合理論與實(shí)踐，提高學(xué)生職業(yè)能力培養(yǎng)的效率。項(xiàng)目化教學(xué)法由以教師為主導(dǎo)轉(zhuǎn)變?yōu)橐詫W(xué)生為主導(dǎo)，由以課本為中心轉(zhuǎn)變?yōu)橐皂?xiàng)目為中心。作為試點(diǎn)專業(yè)，作為項(xiàng)目化教學(xué)的主導(dǎo)專業(yè)，我們學(xué)習(xí)的《汽車性能檢測(cè)》一樣按照項(xiàng)目化教學(xué)的形式來(lái)進(jìn)行。我們知道，《汽車性能檢測(cè)》也是汽修專業(yè)課的一門重要課程。在學(xué)習(xí)過(guò)程中我們認(rèn)真按照項(xiàng)目化教學(xué)形式，根據(jù)任務(wù)工單及老師的要求，小組討論分工，做充分的課前準(zhǔn)備，完成小組學(xué)習(xí)方案；課堂中，聽(tīng)取老師講授的理論知識(shí)的同時(shí)，也積極組織小組討論，完善小組方案；課后，認(rèn)真做好個(gè)人總結(jié)報(bào)告及小組過(guò)程記錄。

通過(guò)對(duì)《汽車性能檢測(cè)》這一課程的學(xué)習(xí)，我們學(xué)習(xí)了以下具體的內(nèi)容：

1、汽車性能檢測(cè)認(rèn)識(shí)；

汽車性能檢測(cè)

2、汽車安全性能檢測(cè)；

（1）制動(dòng)性能檢測(cè)；

（2）轉(zhuǎn)向輪側(cè)滑性能檢測(cè)；

（3）前照燈檢測(cè)；

（4）車速表檢測(cè)；

3、汽車環(huán)保性能檢測(cè)；

（1）汽油機(jī)尾氣檢測(cè)；

（2）柴油機(jī)尾氣檢測(cè)；

（3）汽車噪聲檢測(cè)；

4、汽車綜合性能檢測(cè)；

（1）汽車動(dòng)力性檢測(cè)；

（2）汽車燃油經(jīng)濟(jì)性檢測(cè)。

《汽車性能檢測(cè)》這一課程的制定與教材的安排，是采用工作過(guò)程系統(tǒng)化的新理念，以實(shí)際的工作過(guò)程為主線，按照信息采集——制定方案——研究討論——任務(wù)實(shí)施——過(guò)程記錄——結(jié)果評(píng)價(jià)六個(gè)步驟來(lái)進(jìn)行開(kāi)發(fā)，并以此來(lái)展開(kāi)教學(xué)內(nèi)容。汽車性能檢測(cè)包含四大項(xiàng)目，每個(gè)項(xiàng)目分為若干個(gè)模塊。在每個(gè)項(xiàng)目中，從分析項(xiàng)目的能力目標(biāo)、知識(shí)目標(biāo)、素質(zhì)目標(biāo)出發(fā)，列出各訓(xùn)練項(xiàng)目，并分析項(xiàng)目的開(kāi)展所需要的理論知識(shí)，供我們查找和自學(xué)，在每個(gè)項(xiàng)目的最后，分別列出相關(guān)的拓展知識(shí)和問(wèn)題，供我們課后討論。

在項(xiàng)目化的教學(xué)過(guò)程中，作為第一小組的小組組長(zhǎng)，在分配任務(wù)、組織小組完成學(xué)習(xí)方案的過(guò)程中，鍛煉了自己的組織分配能力。從學(xué) 2 汽車性能檢測(cè)

習(xí)的過(guò)程中，小組討論完善方案、討論解決課堂疑難問(wèn)題，提高了學(xué)習(xí)熱情的同時(shí)，也增加了小組成員之間的合作互助能力。小組成員一起參與完成六個(gè)任務(wù)，付出了是時(shí)間和汗水，但我們收獲了無(wú)數(shù)的知識(shí)和完成任務(wù)后的喜悅。

通過(guò)對(duì)《汽車性能檢測(cè)》這一課程的學(xué)習(xí)，不僅學(xué)習(xí)了書(shū)本上的專業(yè)知識(shí)，掌握了對(duì)性能檢測(cè)的基本技能，彭老師在課堂上也補(bǔ)充了許多課本之外的知識(shí)，讓我們對(duì)汽車專業(yè)有了更深的體會(huì)和認(rèn)知，拓寬了我們的視野，豐富了我們的內(nèi)涵。

總的來(lái)說(shuō)，《汽車性能檢測(cè)》這一課程教誨了我們豐富的專業(yè)知識(shí)，完成情況良好，較為滿意。之后的各門專業(yè)課也必定會(huì)認(rèn)真對(duì)待，認(rèn)真學(xué)習(xí)，繼續(xù)爭(zhēng)取更好更優(yōu)秀的成績(jī)來(lái)回報(bào)父母、回報(bào)老師、回報(bào)自己，在此也對(duì)彭老師的精心教育表示誠(chéng)摯的感謝！！

——