[深度学习入门]两阶段目标检测算法到Faster RCNN

目标检测

一、两阶段法

1、概述：

计算机视觉：

• 三大热点方向：计算机视觉、自然语言处理、语音识别
• 四类任务：图像分类(label)、目标检测(what+where)、图像语义分割(what+where)、图像实例分割(what+where)
  目标检测：位置+类别
  问题：尺寸范围大，物体角度、姿态不定，可以出现在图片任何地方，多类别

数据集：

• PASCAL VOC(VOC2007/VOC2012)
• MS COCO(MSCOCO2014/MSCOCO2017 训练集：118287/验证集：5000)
• Object365密集标注（63W）

2、传统目标检测：

• 人工设计特征，机器根据人工设计的特征检测（更关注单类别）

（1）基于滑动窗的目标检测
困难：计算量大、很难基于特定的特征去适应多类别

（2）VJ Detector：实时目标检测（人脸）
将图像表示为积分图像，eg: 人脸明暗变化
使用Adaboost，构建多个弱分类器
采用Cascade级联多个强分类器，快速过滤大量不相关窗口

（3）HoG 行人检测
使用物体检测特征描述子，在人脸检测上有效

（4）DPM：
基于HoG行人检测衍生出来的，基于组件的检测特征及算法网络，在HoG特征的基础上提取了更具辨识力的特征

传统目标检测的问题：

1. 人工特征设计局限性
2. 计算复杂
3. 后面依赖分类器

3、两阶段目标检测：

**（1）深度学习下的目标检测：**图像->网络->输出类别、框

边界框回归：通过学习一种映射关系，对目标候选的位置进行精化
IOU（交并比）：用来衡量真实标注和预测结果的重合程度
NMS（非极大值抑制）：消除冗余的检测框

两阶段法： 判断有无目标后回归，后将目标分类后回归
一阶段法：直接对框判断分类，同时对位置进行回归

（2）两阶段法
1）RCNN

• 提取候选框：
  方法：Selective Serach选择性搜索：根据相似度融合的方法

问题：
每张图需要额外步骤提取region proposal候选框
存储和重复提取每个region proposal的特征花费大量存储和计算资源

• 特征提取：
  方法：CNN
  问题：保存所有数据候选区域的特征，浪费资源

• 区域分类
  方法：为每一个类训练SVM分类器
  问题：每个SVM需要单独训练，网络复杂、空间消耗大

• 边界框回归
  方法：最小二乘法线性回归（输入：特征、真是位置；输出：修正位置）
  问题：比较笨？？？

2）SPP-Net

• 不再对每个候选区做扭曲
• 不再对每个候选区提取CNN特征
• 直接提取整个图像特征，将图像的扭曲变成特征上的变化

作用：减少了提取特征的时间和用来存储特征的空间
做法：空间金字塔池化

特征划分成多个固定网