Mở đầu

Trước khi xuất hiện object detector dựa trên Deep learning có một công cụ rất mạnh mẽ để phát hiện vật thể là HOG + Linear SVM. 3 thành phần quan trọng của HOG + Linear SVM sẽ được sử dụng để chuyển bất kì CNN image classifier thành object detetor:

1. Image pyramid: cho phép phát hiện vật thể với nhiều kích thước khác nhau
2. Sliding window: cho phép phát hiện vật thể ở nhiều vị trí khác nhau. Tại mỗi vị trí của sliding window sẽ thực hiện các công việc sau:
   • Trích xuất vùng quan tâm ROI (chính là vùng của sliding window đó)
   • Trích xuất đặc trưng rồi đưa vào các bộ phân loại (CNN, Linear SVM…)
   • Nhận được output predictions
3. Non-max suppression: loại bỏ các bounding boxes chồng chập (overlapping)

Các bước chính để chuyển mạng CNN phân loại ảnh thành object detector được thể hiện như hình sau:

Kết luận:

• Bộ nhận diện vật thể dựa vào mạng CNN, image pyramid, sliding window khá chậm
• Kết quả phụ thuộc rất nhiều vào việc lựa chọn các thông số như stepSize, WindowSize, hay hệ số scale của image pyramid.
• Tách thành nhiều bước image pyramid, sliding window, mạng CNN nên kết quả của những công đoạn sau phụ thuộc nhiều vào các công đoạn trước

Tài liệu tham khảo

1. https://www.pyimagesearch.com/2020/06/22/turning-any-cnn-image-classifier-into-an-object-detector-with-keras-tensorflow-and-opencv/