论文精读-目标检测

Deep Learning for Feneric Object Detection: A Survey

1、基于区域的两阶段框架（Two Stage)

• RCNN

  Girshick 将AlexNet以及候选区域选择性搜索（selective search）集成到一起，训练出了RCNN框架，具体步骤如下：

  （1）计算建议窗口：通过选择性搜索获得可能包含目标的候选区域（region proposal）；

  （2）微调CNN模型：从图像中裁剪并变形成相同大小的候选区域，当做预训练的CNN（例如使用大型数据集ImageNet）模型的输入。在此阶段，所有IOU的候选区域被定义为改正确标注框类的正例，其余的定义为反例

  （3)训练特定类的SVM分类器：使用CNN提取的固定长度特征训练一组特定类的线性SVM分类器，取代了通过微调学习的softmax分类器。对于训练SVM分类器，将正样本定义为每个类的正确标注框。与类的所有正确标注框重叠小于0.3的候选区域对该类是否定的。

  （4）训练特定类的边界框（回归任务）：针对每个具有CNN特征的目标类学习边界框回归

  • 缺点：

  （1）训练是个多阶段的流水任务，各阶段相互独立，训练缓慢且难以优化；

  （2）训练SVM和边界框回归器在时间和空间上代价太大，需要从每个图像的每个候选目标中提取CNN特征，这在大规模检测和深度网络中的代价是巨大的

  （3）测试速度很慢，每个测试图像都在根据候选目标独立的提取CNN特征，没有采用共享计算。

• SPPNet
  在测试过程中，CNN特征提取是RCNN检测管道的主要瓶颈，这需要从每张图像的数千个扭曲候选区域中提取CNN特征。因此，SPPNet先对图像做一次卷积运算然后在特征图上提取特征，并且在卷积神经网络CNN之后增加了图像空间金字塔池化（Spatial Pyramid Pooling，SPP）的结构，这样就可以根据图像的特征将图像当中的目标区域进行分类。SPPNet和RCNN的区别如下图所示：
  
  空间金字塔池化结构
  
  空间金字塔池化层的结构如上所示，Image经过一次卷积之后会得到256个特征图，也就是上面图中最下面的一连串黑色堆叠图，这是整个卷积神经网络的第五层吗，因此称为conv5。然后我们使用SSP结构对这256个特征图进行处理，将这256张特征图分别进行11，22，44的最大池化，也就是分别选取这256个特征图当中的最大值，然后最后的输出也是256个每一层特征图的最大值。比如我们做空间金字塔池化最右边的那个1