目标检测RCNN系列讲解.pptxVIP

基于R-CNN的系列目标检测算法组员：R-CNN,SPPNET,FastR-CNN,FasterR-CNN

目录CONTENTS01背景知识02RCNNSPPNETFastR-CNNFasterR-CNN030504实例展示06

01背景知识PARTONE

背景知识04目标检测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。物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，并且物体还可以是多个类别。目标检测

背景知识05图像识别（classification）：输入：图片输出：物体的类别评估方法：准确率。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

背景知识06目标检测算法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/窗+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（SelectiveSearch+CNN+SVM）SPP-net（ROIPooling）FastR-CNN（SelectiveSearch+CNN+ROI）FasterR-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；以及最近出现的结合RNN算法的RRCdetection；结合DPM的DeformableCNN等。

02R-CNNPARTTWO

R-CNN08传统目标检测方法传统目标检测的算法基本流程如下：使用不同尺度的滑动窗口选定图像的某一区域为候选区域；从对应的候选区域提取如HarrHOGLBPLTP等一类或者多类特征；使用Adaboost、SVM等分类算法对对应的候选区域进行分类，判断是否属于待检测的目标。1、基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；2、手工设计的特征对于多样性的变化没有很好的鲁棒性。传统目标检测方法的缺点

R-CNN09R-CNN是Region-basedConvolutionalNeuralNetworks的缩写，中文翻译是基于区域的卷积神经网络，是一种结合区域提名（RegionProposal）和卷积神经网络（CNN）的目标检测方法。区域提名（RegionProposal）：利用图像中的纹理、边缘、颜色等信息，预先找出图中目标可能出现的位置。需要解决的问题：（1）适应不同尺度（2）多类别图像的适应性（3）速度。R-CNN的主要贡献：?

1）传统目标检测算法一般使用滑动窗口扫描所有可能区间，同时需要考虑变化窗口尺寸以适应不同大小的目标，这种方法效率太低。R-CNN使用SelectiveSearch方法预先提取所有候选区域?；

2）传统目标检测算法依赖人工设计的特征，R-CNN使用深度学习自动提取和学习特征。

R-CNN10R-CNN的简要步骤如下：(1)输入测试图像；(2)利用选择性搜索（SelectiveSearch）算法在图像中从下到上提取2000个左右的可能包含物体的候选区域；(3)因为取出的区域大小各自不同，所以需要将每个候选区域缩放（warp）成统一的227x227的大小并输入到CNN，将CNN的fc7层的输出作为特征；(4)将每个候选区域提取到的CNN特征输入到SVM进行分类。R-CNN的总体思路

R-CNN11SelectiveSearch算法?

R-CNN12RCNN的具体步骤步骤一：训练（或者下载）一个分类模型（比如AlexNet）

R-CNN13步骤二：对该模型做fine-tuning?将分类数从1000改为20，比如20个物体类别+1个背景?去掉最后一个全连接层

R-CNN14步骤三：特征提取?提取图像的所有候选框（选择性搜索SelectiveSearch）；?对于每一个区域：修正区域大小以适合CNN的输入，做一次前向运算，将第五个池化层的输出（就是对候选框提取到的特征）存到硬盘。

R-CNN15步骤四：训练一个SVM分类器（二分类）来判断这个候选框里物体的类别每个类别对应一个SVM，判断是不是属于这个类别，是就是positive，反之nagative。比如下图，就是对狗分类的SVM

R-CNN16步骤五：使用回归器精细修正候选框位置：对于每一个类，训练一个线性回归模型去判定这个框是否框得完美

R-CNN171、基于R-CNN目标检测算法只能输入固定尺寸的图片，样本输入受限2、经人工处理过的图片，易降低网络识别检测精度3、