目标检测论文回顾

看了一段时间的目标检测的论文，在这里写个文章总结一下吧。不一定理解正确，如有问题，欢迎指正。

1、RCNN

RCNN是基于selective search（SS） 搜索Region proposal（RP），然后对每个RP进行CNN的Inference，这个算法比较直接。

框架应该也挺容易看明白的。
SS对每幅图片提取大约2K个RP，然后对RP进行推理。

2、SPPNET

RCNN的计算很多是没有必要的，因为框有重叠啊，既然被计算过，何必再有让别的框再计算呢？于是Computation Sharing开始了。

conv5以前的计算，对于一幅图片只需要一次进行。

另外，SPPNET主要有三个贡献：

• （1）SPP可以产生固定大小的特征，这使得输入图片可以是任意大小的。为什么呢？作者发现，在CNN当中，其实出了全连接以外，其他的层基本不需要固定大小。既然如此，那就让全连接之前的计算适应任何尺寸吧，只要在到达全连接的时候，让它固定尺寸就好啦！怎么做呢？就是图中的SPP。将图像以不同的pooling步长，得到固定长度的pooling结果。

• （2）SPP使用多水平的空间bins，同时保持滑动窗的大小不变，这样可以对目标的变形比较鲁棒。

• （3）得益于多变的输入图像尺寸，SPP可以做到不同尺度的Pooling。

问题：SPPNet仍然是多部训练的，主要原因是：SPP层是多尺度的，对于后面传过来的梯度来说，它计算梯度时涉及到的Receptive Field比较大，计算很慢。而且后面使用的分类器是SVM，应该来说是比较耗时的吧。其实SPPNET训练时，是先用SS找到RP，然后输入前面层，把特征存起来，然后在把特征加载进来输入后面层，前面层的训练和后面层的训练是分离的。

fast RCNN

这篇文章就是针对SPPNET中的问题做的，主要贡献有：

• 提出了ROIPooling。这个ROIPooling其实就是SPP的简化版。SPP不是使用了金字塔，导致梯度传递困难吗？那就只用一层的金字塔吧。不行，还得换个名字，那就叫ROIPooling。使用了ROIPooling后，得到的也是一个统一尺寸的特征，梯度也没有以前那样涉及到的感受野那么大，所以前后就可以连起来训练了。

• 多任务Loss。以前SPPNET不是Bounding Box（BB）回归和分类是分离的吗？这里就用一个多任务的Loss吧。而且分类器也不要SVM这么复杂了，只需要Softmax。

问题：这个也其实有问题的，你看SS在里面不是一直没有参与学习吗？而且SS好像是离线计算的吧？（这个需要再考证一下。）还有一个重要的问题是，后面的BB回归和分类网络再强，你也是受SS提取的RP限制的。也就是说SS可能已经成为了瓶颈。

Faster-RCNN

这篇文章其实也是承接上文的，fast RCNN不是受SS限制没法端到端地训练吗？那就做一个网络来代替SS呗。这就是Faster-RCNN重点 RPN。但是RPN怎么做呢？

把原始图进行多次卷积后，得到的256个40*60的feature map，接下来就用一个小的卷积神经网络在这些feature map上滑动，这里有讲解。为了获得一定的尺度不变形，使用了Anchor的方式，也就是对每一个RP进行多个尺寸的变换，文章使用了9.这样，对于一个40*60的来说，总共有40*60*9个RP，还是非常多的。
这里还有个东西可能没说清楚，就是RPN的输出是什么？在每一个窗口上，RPN输出的是一个256维的特征。256怎么来的呢？就是在256个feature map上对应位置分别卷积哈。

后面的分类和回归也是采用的全连接做的。
这样用来做RP的计算，其实也是被BB回归和分类共享的，因为他们的输入就是这个256d的特征啊。

问题：这个计算复杂度还是太高了，没法达到实时性要求。

YOLO

这个网络最大的优势就在于快，怎么做到的呢？首先，那些共享计算的概念肯定是要用到的。然后就是把图像分块。

图片被分成了 S*S个格子，每个格子预测出B个BB，而每个BB包含了5个量：$x, y, w, h, confidence$。这个confidence就是对是否含有需要检测目标的一个得分吧。
还有每个格子对这C个类的预测分。
在Test阶段，

这样不就得到了目标的概率吗？真是不错啊！
下面是网络结构：

YOLO思想和前面RPN很不一样了，现在不需要RPN了吧，就直接这么训练就好了。但是还是有问题吧，如果一个格子里面包含了多个目标，那岂不是只能回归是其中一个，而且应该是最明显的一个。这是不是就是YOLO对小目标检测很不理想啊，因为小目标在后面层中的feature本来就少。而且SSD虽然快，但是目标检测的效果却并不是令人满意。

SSD

虽然YOLO效果不佳，但是其开创性的Look once的想法还是很值得赞扬和纪念的。SSD继承了YOLO这个工作，并把它拓展开来了。
SSD中的Default Box（DB）是一个重要的工作。feature是通过卷积等操作得到的，那么feature其实还是具有相对位置信息的。把feature划分到不同的DB中，这样就可以做到和YOLO一样的效果了吧。但是这个DB是有Anchor的。

仔细看看这幅图和里面的文字吧。就算label和预测的BB是在一个DB里面，还得看看Anchor是不是吻合的。这样是不是对于回归DB来说更加准确了？
然后看看网络框架吧，这个是和YOLO的一个对比。

SSD前面的层和YOLO是差不多的，但是后面就不一样了。YOLO是直接拿着feature map回归出BB，还做了分类，SSD是还融合了不同层的特征。
其实，从SSD可以看出，YOLO并没有完全利用好共享计算，因为前面层提取的特征只是用来给下一层作为输入了啊，但是它还是特征啊，你就这么用了一下，其实它还包含了很多有用信息呢。怎么这样说呢？前面层feature map更大，它的细节信息保留更好。而且，一般而言，前面层偏向于提取边缘等信息。边缘对于视觉来说是非常重要的啊，如果利用起来，肯定能够有提升吧。当然，这只是一方面。
顺便提一下，这个作者另外一篇ParseNet也利用了相似的思想，可以一起看看。

Inside-Outside Network

乍一看，这个ION是不是和SSD很像，是的，它也是利用了多层特征融合的方式来获得更好的特征。

这个Skip-connection就可以很好的利用不同的特征了。然而，还是有问题的，你想想，不同层的特征是不是尺度不一样啊，而且不同层的数值还没有归一化呢？如果生搬硬套的凑在一起，是不是有点破坏原本的特征了，并不一定有很好的提升。

所以作者给出了下面的方法：

如果仅此而已，那肯定是不能称之为大作的，肯定要玩出新花样。想想这个图像其实也是一个序列问题，只不过不是时间序列的，而是空间序列的。那么，我们是不是可以引入RNN来做点序列化的文章呢？是的，作者就是这么干的！
下面就放一些RNN的图吧，感受一下大神的风采。

写在最后

好了，已经把目标检测的几篇论文稍微介绍一下了，但是里面很多细节都没有去多讲，要重现这些论文，肯定少不了看看原文，然后读下代码的。最好是把文章的网络可视化出来看看，一定有个不错的体会。这里有个很好的在线可视化工具哦，有兴趣的可以试试。

PS

最后就是求职的事情了。最近一直忙着招工作，却发现视觉的工作好难找啊！可能是自己学艺不精吧，但是本人一直对视觉有强烈的好奇心和兴趣，也希望能够在视觉这方面做出些成果。所以希望有一个有梦想的团队能收留我，不一定是要有很高的工资，但是一定要有抱负。另外，如果是做NLP，我也是挺有兴趣，只是暂时没有深入了解这方面，如果团队愿意带，我也挺想学的。好了，啰嗦完了，欢迎评论。

Reference

做一个相当不专业的参考文献吧，因为找不到工作，实在是有点心累。后面看了更多论文后再补吧。各位客观见谅。