目标检测 RCNN，fast-rcnn，faster-rcnn，fpn，总结（详细）

前言：

    看很很多关于目标检测的论文，都没有做一个总结，近期要做一个全面的总结，也算是回顾一下。希望可以对自己有帮助。

一、基于R-CNN的目标检测

    1.相关背景

        本论文来源《Rich feature hierarchies for Accurate Object Detection and Segmentation》是2014年在CVPR上的经典论文。是物体检测领域曾经获得state-of-art精度的经典文献。又称R-CNN（Regions with Convolutional Neural Network Features）。

         该论文的思想，  改变目标检测的常规思路，之后很多的文献关于深度学习的目标检测的算法，基本上都是基于R-CNN的思想，比如：ssp-net （《spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》深卷积网络中的空间金字塔汇聚用于视觉识别），所以学习R-CNN是学习目标检测的必经之路。

        物体检测和图片分类的区别：图片分类不需要定位，而物体检测需要定位出物体的位置，也就是相当于把物体的bbox检测出来，还有一点物体检测是要把所有图片中的物体都识别定位出来。最开始的时候分不清楚检测和分类到底有什么区别。在R-CNN给出了答案。 详细理解如下图：

 二、R-CNN的相关基础知识

         1.   有监督和无监督学习

             (1)无监督学习(Unsupervised learning)

             无监督学习指我们事先没有任何训练数据样本，需要直接对数据进行建模。不需要人工标注数据。比如：远古时期，我们的祖先打猎吃肉，他们本身之前是没有经验而言的，当有人用很粗的石头去割动物的皮的时候，发现很难把皮隔开，但是又有人用很薄的石头去割，发现比别人更加容易的隔开动物的毛皮，于是，第二天、第三天、……，他们就知道了需要寻找比较薄的石头片来割。这些就是无监督学习的思想，外界没有经验和训练数据样本提供给它们，完全靠自己摸索。eg：栈式自编码、DBM

             2)有监督预训练(Supervised learning)

              通过已有的训练样本（即已知数据以及其对应的输出）来训练，从而得到一个最优模型，再利用这个模型将所有新的数据样本映射为相应的输出结果，对输出结果进行简单的判断从而实现分类的目的，那么这个最优模型也就具有了对未知数据进行分类的能力。上学的时候，老师教认字、数学公式啊、英语单词等等，我们在下次碰到的时候，也能区分开并识别它们。这就是监督学习。

             在目标分类上，有监督的预训练，也可以叫做迁移学习，说的简单一点就是把一个任务训练好的参数，拿到另外一个任务，作为神经网络的初始参数值,这样相比于你直接采用随机初始化的方法，精度可以有很大的提高。图片分类标注好的训练数据非常多，但是物体检测的标注数据却很少，如何用少量的标注数据，训练高质量的模型，这就是文献最大的特点，这篇paper采用了迁移学习的思想。文献就先用了ILSVRC2012这个训练数据库（这是一个图片分类训练数据库），先进行网络的图片分类训练。这个数据库有大量的标注数据，共包含了1000种类别物体，因此预训练阶段cnn模型的输出是1000个神经元，或者我们也直接可以采用Alexnet训练好的模型参数。

 

          2.   IOU的定义与理解

 

3.非极大值抑制（Non-Maximum Suppression，NMS）

      定义： 顾名思义就是抑制不是极大值得元素，可以理解为局部最大搜索。下面是NMS的示意图，大概流程如下：

因为一会儿讲RCNN算法，会从一张图片中找出n多个可能是物体的矩形框，然后为每个矩形框为做类别分类概率。

NMS 原理