【深度学习】（四）目标检测—

• • 目标检测——上篇🍉
• 前言🎆
• 一、目标检测是什么？
• 二、目标检测的发展历程
• 三、区域卷积神经网络（R-CNN）系列
• • 1.R-CNN
    • 2.SPP-Net
    • 3.Fast R-CNN
    • 4.Faster R-CNN
• 总结🎨

---

前言🎆

上一章介绍了图像分类，这一章来学习一下目标检测上篇。简单来说，需要得到图像中感兴趣目标的类别信息和位置信息，相比于分类问题，难度有所提升，对图像的描述更加具体。在计算机视觉众多的技术领域中，目标检测（Object Detection）也是一项非常基础的任务，图像分割、物体追踪、关键点检测等通常都要依赖于目标检测。在目标检测时，由于每张图像中物体的数量、大小及姿态各有不同，也就是非结构化的输出，这是与图像分类非常不同的一点，并且物体时常会有遮挡截断，所以物体检测技术也极富挑战性，从诞生以来始终是研究学者最为关注的焦点领域之一。

---

一、目标检测是什么？

如何从图像中解析出可供计算机理解的信息，是机器视觉的中心问题。深度学习模型由于其强大的表示能力，加之数据量的积累和计算力的进步，成为机器视觉的热点研究方向。

计算机视觉的四大任务：目标分类，目标检测，语义分割，实例分割。难度逐渐递增，对图像特征的提取也更加精细。

• 分类（Classification）：即是将图像结构化为某一类别的信息，用事先确定好的类别(string)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实现大规模应用的任务。
• 检测（Detection）：分类任务关心整体，给出的是整张图片的内容描述，而检测则关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息。相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因而，检测模型的输出是一个列表，列表的每一项使用一个数据组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。
• 分割（Segmentation）：分割包括语义分割（semantic segmentation）和实例分割（instance segmentation），前者是对前背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓（相比检测框更为精细）。分割是对图像的像素级描述，它赋予每个像素类别（实例）意义，适用于理解要求较高的场景，如无人驾驶中对道路和非道路的分割。
  

二、目标检测的发展历程

目标检测发展的20年来，从传统的目标检测算法到基于深度学习的目标检测算法，目标检测的精度和速度不断提高，发展历程如下图所示：

• 传统方法 ❤️ ：区域选取+特征提取+特征分类。在多尺度图像上应用多尺度窗口进行滑窗，每个roi位置提取出固定长度的特征向量，然后采用SVM进行学习判别。这在小数据上比较奏效；传统方法的工作主要聚焦于设计更好的特征描述子，将roi信息映射为embedding feature。本文不做介绍。
  
• Two-stage Detectors（两阶段目标检测器） 🧡 ：诸如R-CNN，Fast R-CNN，Faster R-CNN到最新的Mask Scoring R-CNN等网络结构，都属于Two-stage检测方法。目标检测-上篇中介绍。
  
• One-stage Detectors（单阶段目标检测器） 💛 ：从最早的OverFeat到现在的YOLO，SSD，RetinaNet，YOLOv2，CornerNet等都属于one stage目标检测方法。目标检测-下篇中介绍。
  

对比：双阶段精度高但速度慢，单精度速度快但精度稍逊。

三、区域卷积神经网络（R-CNN）系列

1.R-CNN

随着CNN网络的出现，目标检测进入了深度学习时代，目标检测技术越来越倾向于网络结构、损失函数和优化方法的设计，人们更加关注使用CNN网络自动提取出图像特征，代替了原来的手工设计特征。目标检测从“冷兵器”时代，过渡到“热兵器”时代，从