目标检测——Sliding Window、RegionProposal、Selective Search、RPN

Sliding Window

滑窗法有在传统中的方法法和在深度学习中的方法，下面讲的是在深度学习中的方法。

滑窗法有2个过程：

• 依次滑动：
  每次滑动一个像素点，每个像素都会对应一个框。每次滑动后，都把框框住的内容当作一个图像送入目标检测网络中（如VGG网络，或者ResNet网络）进行检测。检测结果对应的位置，就是框的位置，每次滑动后，位置就确定了。
• 多尺度滑动：
  那么每次框的大小如何确定呢？这就是多尺度进行滑动了。就是使用小的框，把整张图滑动一遍之后，再使用大一点的框，再进行滑动一遍。然后再选择更大的框，再进行滑动。最后一个尺度，有可能和整个图的大小差不多。这样才能检测出大的、小的目标。

可以看出，窗口的尺度越多，检测的越全，但是速度会变慢。每次滑动一个像素点，这就会导致检测窗口会出现大量的冗余。
那么如何解决这个问题呢？
OverFeat:

使用卷积的方法来代替滑窗法，利用卷积的高效计算性质，来加快滑窗法的速度。
具体可以看另一篇博客：
https://blog.csdn.net/qq_35732097/article/details/79027095

Region Proposal

从sliding window中，我们可以发现，有很多地方是没有物体的，但是耶进行了检测。所以没有必要对所有的地方都进行检测，所以就出来了Region Proposal，意思是建议检测的区域，排除哪些没有物体的区域。Region Proposal就是通过像素的聚类，把可能是同一类的事物进行聚为一类。这样就减少了检测的范围。

Selective Search

第一步：先通过Region Proposal，一张图片中的信息进行聚类，比如说聚类为200类，这个聚类为多少类，需要自己来指定。
第二步：对每个聚类的区域进行检测。

RPN

由于上面的Region Proposal的聚类是传统的机器学习方法，那么我们可不可以使用深度学习的方法，让它自己生成呢。答案是可以的。

具体可以看另一篇博客：
https://blog.csdn.net/JNingWei/article/details/78847696