一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.docxVIP

【深度学习】【检测】?一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 2019-01-27 原文 文章来源：企鹅号 - 软件定义世界（SDX） 转自：七月在线试验室 一、目标检测常见算法 object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要处理的问题就是物体在哪里以及是什么的整个流程问题。 然而，这个问题可不是那么简约处理的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以消灭在图片的任何地方，更何况物体还可以是多个类别。 目前学术和工业界消灭的目标检测算法分成3类： 1. 传统的目标检测算法：Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化； 2. 候选区域/框 + 深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如： R-CNN（Selective Search + CNN + SVM） SPP-net（ROI Pooling） Fast R-CNN（Selective Search + CNN + ROI） Faster R-CNN（RPN + CNN + ROI） R-FCN 等系列方法； 3. 基于深度学习的回归方法：YOLO/SSD/DenseBox 等方法；以及最近消灭的结合RNN算法的RRC detection；结合DPM的Deformable CNN等 传统目标检测流程： 1）区域选择（穷举策略：接受滑动窗口，且设置不同的大小，不同的长宽比对图像进行遍历，时间简单度高） 2）特征提取（SIFT、HOG等；外形多样性、光照变化多样性、背景多样性使得特征鲁棒性差） 3）分类器分类（次要有SVM、Adaboost等） 二、传统的目标检测算法 2.1 从图像识别的任务说起 这里有一个图像任务：既要把图中的物体识别出来，又要用方框框出它的位置。 这个任务本质上就是这两个问题：一：图像识别，二：定位。 图像识别（classification）： 输入：图片 输出：物体的类别 评估方法：精确?????率 定位（localization）： 输入：图片 输出：方框在图片中的位置（x,y,w,h） 评估方法：检测评价函数intersection-over-union（关于什么是IOU，请参看本深度学习分类下第55题：/question/big/kp_id/26/ques_id/2138） 卷积神经网络CNN已经帮我们完成了图像识别（判定是猫还是狗）的任务了，我们只需要添加一些额外的功能来完成定位任务即可。 定位的问题的处理思路有哪些？ 思路一：看做回归问题 看做回归问题，我们需要猜测出（x,y,w,h）四个参数的值，从而得出方框的位置。 步骤1: *先处理简约问题， 搭一个识别图像的神经网络 *在AlexNet VGG GoogleLenet上fine-tuning一下（关于什么是微调fine-tuning，请参看本深度学习分类下第54题：/question/big/kp_id/26/ques_id/2137） 步骤2: *在上述神经网络的尾部开放（也就说CNN前面保持不变，我们对CNN的结尾处作出改进：加了两个头：“分类头”和“回归头”） *成为classification + regression模式 步骤3: *Regression那个部分用欧氏距离损失 *使用SGD训练 步骤4: *猜测阶段把2个头部拼上 *完成不同的功能 这里需要进行两次fine-tuning 第一次在ALexNet上做，其次次将头部改成regression head，前面不变，做一次fine-tuning Regression的部分加在哪？ 有两种处理方法： ?加在最终一个卷积层后面（如VGG） ?加在最终一个全连接层后面（如R-CNN） regression太难做了，应想方设法转换为classification问题。 regression的训练参数收敛的时间要长得多，所以上面的网络实行了用classification的网络来计算出网络共同部分的连接权值。 思路二：取图像窗口 ?还是刚才的classification + regression思路 ?我们取不同的大小的“框” ?让框消灭在不同的位置，得出这个框的判定得分 ?取得分最高的那个框 左上角的黑框：得分0.5 右上角的黑框：得分0.75 左下角的黑框：得分0.6 右下角的黑框：得分0.8 依据得分的凹凸，我们选择了右下角的黑框作为目标位置的猜测。 注：有的时候也会选择得分最高的两个框，然后取两框的交集作为最终的位置猜测。 怀疑：框要取多大？ 取不同的框，依次从左上角扫到右下角。