opencv_deeplearning学习总结1：几种目标检测方法的区别

一、总概

学习opencv和深度学习也有一段时间了，也做了不少笔记，乱七八糟的，很多已经忘了，趁有空，赶紧写写博客，分享给更多的喜欢计算机视觉的同学入门。最主要的是自己回顾一下所学。以下的都是自己的一些理解笔记，未免会出错，有不对的地方，望帮忙指正，一起学习讨论。

二、几种目标检测方法的总结

（1）传统的基于滑动窗口的目标检测：
使用滑动窗口，对图片进行多次扫描，找出置信度高的区域。也称级别检测，逐步找出置信度最高的区域。如下图（图片来自此博客）：

显然，这种做法需要极大的计算消耗。

（2）早期的深度学习R-CNN家族：
有些专业名称，不知道怎么翻译。上点笔记图片，字写得不好，看不清楚的请往下看，或留言评论。

R-CNN也是使用bounding boxes，只是不同于传统的方法，他是先进行了Selective Search ， 使用不同大小的滑动窗口，先试图把邻近的像素组合起来，形成最有可能的框，这样就比传统的方法减少bounding boxes的数量，从而提高速度和准确度。

检测的步骤是:

1）通过Selective Search,提取一些认为是目标的区域。
（目前最快最好的Faster R-CNN使用一个网络Region Proposal Network (RPN)来提取区域。）
2）将区域输入一个已经训练好的AlexNet模型，使用SVM来判断这个区域是什么类。
3）一旦分好了类，只需要用线性回归就可得到区域坐标。

理解不是很透彻，强烈建议去读原作者的论文，目前RCNN家族，最好最快的是Faster R-CNN。

（3）目前效果很好的YOLO家族
先上我的英文笔记，看图

YOLO完全和上面的方法不同，是个极大的创新。YOLO actually looks at the image just once but in a clever way.

• YOLO将整张图片划分为13*13个单元网格，每一个单元网格预测5个bounding box，每个bounding box包围着一个目标，还告诉我们每个目标的置信度（认为该预测目标和真实目标有多接近的数值），置信度分数和预测的目标组成最终的预测结果。
• 由于1313个网格，每个网格有5个预测，所以共有1313*5 = 845个 boxes.
• 但并不是每个目标都有很高的预测值，我们会设置一个阈值，把低置信度的预测去掉，这个技术叫 non-maximum suppression.
• 最后每个网格以125个channels结束，为什么是125？因为每个单元格预测5个类，每个类包含：x , y , width ， height ，confidence score , 20个 probability distribution(20个类，每个类的可能概率) ，所以5*25=125.

总结：尽管有845个离散的预测，但他们都是同时预测，网络模型仅仅跑一次。况且，随着yolo家族的不断壮大发展，现在速度已经超过SSD(另一个目标检测模型，速度快闻名) ，而且准确度更高。所以YOLO家族应该是目前最好的目标检测算法。

强烈建议去读论文

三、总结

本文就简单总结一下几种常见的目标检测模型。就效果来看，YOLO应该是最好用的，YOLO已经推出YOLO9000 , 检测类型已经达到9000种，如果配上好一点的GPU，达到实时流畅并且准确应该没问题。YOLO模型也是我实战最多的，可以留意我其他博客，会相继写YOLOv3的使用和自己训练，其他的Faster R-CNN还没试过，不敢轻易评论。最后，上面的都是自己的一些简单总结，难免出错，望指正，感谢观看。

欢迎关注我的公众号【CV之道】，一起学习交流~~