目标检测综述

目标检测综述

目标检测是一项重要的计算机视觉任务，用于检测数字图像中某一类视觉对象（如人、动物或汽车）的实例。作为一个计算机视觉领域的一个基本问题（如实例分割、图像捕捉、目标跟踪等等），目标检测已经形成了一定的基础。在近几年，深度学习技术的快速发展给目标检测带来了生机，导致了显著的突破并且成为了当下的研究热点。目标检测也被广泛应用于真实世界中，例如自动驾驶、机器人视觉、视频监控等等。所以本文将对从深度学习引入目标检测开始，直到现在state-of-art的目标检测算法进行介绍。然后针对近期提出的新颖算法中的思路进行分析。最后，进行总结与对未来目标检测方向的展望。

深度目标检测算法进程

在深度学习流行之前，目标检测都是基于人工特征进行的。由于缺乏有效的图像表示方法，研究者们只能通过设计复杂而精致的特征表示（比如颜色特征）[1]和一系列加速技巧（比如滑动窗口机制[2]）来满足当时缺乏的计算资源。
而当人工特征的性能逐渐饱和，目标检测的发展在2010年后陷入了瓶颈。直至2012年AlexNet的诞生，研究者们看到了卷积神经网络能够在图像上学习到鲁棒的特征表示。从那时起，目标检测开始以前所未有的速度发展。
在深度学习邻域，目标检测可以被分为两个类别：“two-stage detection”和“one-stage detection”，前者将检测定义为一个“由粗到细“的过程，而后者将其定义为”一步完成“的过程。

双阶段目标检测器

RCNN

RCNN（Regions with CNN features）[3]作为第一个基于深度学习的目标检测器在2014年被提出。其背后的原理很简单：先对一系列目标候选框进行提取（由selective search[4]完成）。然后把每个候选框修正到固定大小送入训练好的ImageNet模型中（比如AlexNet）来提取出特征。最终，用线性SVM分类器来预测物体时候出现在候选框中以及其类别。

图1-1 RCNN 网络架构图
RCNN在在VOC07数据集上取得了极佳的表现，把在该数据集上的平均准确率(mAP)从33.7%提升到了58.5%（前者为效果最好的传统目标检测算法DPM-v5）。

表1-1RCNN在VOC 2007上的精度
尽管RCNN取得了如此的进步，然仍留下了如下缺陷：其在大量的重叠候选目标（一张图片超过2000个候选框）上存在冗余的特征计算，这导致了检测速度极慢（在GPU上每检测一张图片需要14s）。而这一问题在同年何凯明提出的SPPNet[5]中得到了解决。

SPPNet

在2014年，在微软亚洲研究院的何凯明提出了Spatial Pyramid Pooling Networks（SPPNet）[5]。之前的CNN模型需要把输入图像的大小固定为224×224来作为AlexNet的输入。SPPNet的主要贡献为提出了一个空间金字塔池化层（Spatial Pyramid Pooling，SPP），这使得CNN可以生成固定长度的表示形式，而与感兴趣的图像/区域的大小无关，而无需对其进行重新缩放。当使用SPPNet进行目标检测时，只需要在原始图像上计算一次特征图，然后可以生成任意区域的固定长度表示形式以训练检测器，从而避免了重复计算卷积特征。SPPNet能在不牺牲任何检测精度的情况下速度比RCNN快20倍以上。
简单来说，其空间池化层的具体做法是：将不同大小的特征图进行三次不同尺寸的池化，分别为4×4，2×2，1×1。那么最终卷积得到了三个长度分别为16，4，1的特征向量，然后将这三个向量拼接为一个16+4+1即21维的向量来作为全连接层的输入。

图1-2 SPPNet网络架构图
尽管SPPNet有效的提高了检测速度，但仍有一些缺陷：首先，训练仍是多阶段的（仍然要采用selective search找出候选项）。其次ÿ