目标检测网络---Faster RCNN系列综述

说明

这篇博文是学习了百度飞桨目标检测7日打卡训练营后写的笔记，百度飞桨学习链接：https://aistudio.baidu.com/aistudio/education/group/info/1617

两阶段算法发展历程

R-CNN

核心思想
对每张图选取多个区域，然后每个区域作为一个样本进入一个卷积神经网络来提取特征

不足

1. 计算量大：每个候选区域都需要通过CNN计算特征
2. 质量差：selective search提取的区域质量不够好
3. 训练时间长：特征提取、SVM分类器是分模块训练，没有联合起来系统优化
   补充：selective search（选择性搜索），先利用基于图的图像分割的方法得到小尺度的区域，然后根据每个区域的相似度合并得到大的尺寸。为了增强合并的多样性，考虑多种颜色空间（RGB，HSV，灰度等），多种相似度度量标准（颜色，纹理，大小等），多种分割阈值等方法。

Fast R-CNN

核心思想
将R-CNN中对候选框resize的操作改为RoI Pooling的方式，将SVM分类用softmax分类代替，简化R-CNN计算复杂度

RoI pooling

不足
候选区域仍然采用selective search的方法，提取候选框区域耗时长
ROI pooling原理，参考这篇博文：
https://blog.csdn.net/u011436429/article/details/80279536
Fast R-CNN原理详细介绍，参考这篇博文：
https://blog.csdn.net/u014380165/article/details/72851319

Faster R-CNN

核心思想
RPN（Region Proposal Network）替代selective search提取候选区域

Faster RCNN总体工作流程

第一阶段：产生候选区域

1. 使用Anchor替代Selective Search，选取候选区域
2. 选出包含物体的Anchor进入RoI Pooling提取特征
   第二阶段：对候选区域进行分类并预测目标物体位置
   
   RPN工作流程
   
   或
   

RPN损失函数

Faster R-CNN原理详细介绍，参考这篇博文：
https://zhuanlan.zhihu.com/p/31426458