深度学习 检测模型对比

基于region proposal方法

R-CNN是针对区域提取特征的目标检测模型

检测流程：通过selective search的方式从图片中提取可能的目标的候选窗口，将窗口warp到同一个尺寸，通过卷积网络从warp之后的候选窗口提取特征，将特征送给分类器进行分类，最后再加上bounding box regression等操作得到更准确的目标位置。总结起来就是先训练SVM分类器，后进行boudingbox的regression操作。

难点：1：获取区域目标比较费时，

2：由于各区域不共享特征，重复计算，训练过程比较费时，

3：分类器采用SVM，而SVM的存储是需要将数据存储在磁盘空间中，需要额外考虑这点。

4：训练比较麻烦，首先需要先训练分类模型网络，进而对boundingbox进行回归计算。

Fast-RCNN

通过引入roi_pooling解决针对区域提取特征造成的重复计算的情况，它允许输入具有任何尺度，经过ROI将box分为4*4,8*8等同样数量的网格，然后对每个网格通过max,avg等操作计算相应的特征，就可以将不同尺寸的box转化为相同维度的特征，在最后的损失函数层使用了多任务损失函数（multi-task loss）,同时进行分类和位置框的回归。

特点：

1：实现端到端的训练，除了proposal提取阶段，同时进行分类与回归过程。

2：所有的特征都暂存在显存中，就不需要额外的磁盘空。在最后将分类器换成两个softmax分类器，一个针对区域的分类（包含背景），一个针对bounding box的微调。

3：提出了一个ROI_pooling层， ROI不仅完成了特征图的映射关系，并且将特征图固定到单个尺寸。

4：整张图上的proposal共享特征提取层，训练速度显著提升。

难点：由于SS方法获取区域目标，只能在CPU上进行，比较费时。

Faster-RCNN

为了解决获取区域目标速度慢的问题，提出了RPN网络，RPN的核心思想是使用卷积神经网络直接产生region proposal，使用的方法本质上就是滑动窗口。RPN的设计比较巧妙，RPN只需在最后的卷积层上滑动一遍，并在每个位置引入多尺度多长宽比的anchor窗口来捕捉未知尺寸和ratio rate的目标。

特点：

1：提出一个全卷积网络作为为