目标检测-前沿及研究背景

😾😾😾

一、目标检测任务简述

目标检测关注特定的物体目标，要求同时获得这一目标的类别信息和位置信息。相比分类，检测给出的是对图片前景和背景的理解，我们需要从背景中分离出感兴趣的目标，并确定这一目标的描述（类别和位置），因而，检测模型的输出是一个列表，列表的每一项使用一个数据组给出检出目标的类别和位置（常用矩形检测框的坐标表示）。

二、目标检测重要工作回顾（简述）

1.两阶段（2-stage）检测模型

1）R-CNN

论文链接：Rich feature hierarchies for accurate object detection and semantic segmentation

R-CNN主要有两个贡献：

• CNN可用于基于区域的定位和分割物体
• 监督训练样本数紧缺时，在额外的数据上预训练的模型经过fine-tuning可以取得很好的效果

R-CNN算法流程：

• 一张图像生成1K～2K个候选区域（使用Selective Search算法）
• 对每个候选区域，使用深度网络提取特征（CNN）
• 特征送入每一类的SVM分类器，判断是否属于该类
• 使用回归器精细修正候选框位置

• 几个重要的概念：
  • SS算法：Select Search算法
  • NMS(Non Maximum Suppression)非极大值抑制：NMS
  • 边界框回归：Bounding-Box regression
  • mAP

R-CNN算法不足之处：

• 需要处理的上千的候选框，而很大一部分候选框的特征使用CNN提取都是冗余的
• 建议框只提供了粗略的定位，还需要经过边界框回归来进一步精确

2）Fast R-CNN

论文链接：Fast R-CNN

Fast R-CNN贡献如下：

• 使目标检测的mAp更高
• 训练过程是单阶段，使用多任务损失

Fast R-CNN算法流程：

• 一张图像生成1K～2K个候选区域（使用Selective Search算法）
• 将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上得到相应的特征矩阵
• 将每个特征矩阵RoI pooling层缩放到7x7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果

3）Faster R-CNN

论文链接：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

Faster R-CNN贡献如下：

• 提出Regional Proposal Networks（RPN）

Faster R-CNN算法流程：

• 将图像输入网络得到相应的特征图
• 使用RPN结构生成候选框，将RPN生成的候选框投影到特征图上获得相应的特征矩阵
• 将每个特征矩阵通过RoI pooling层缩放到7x7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果

2.一阶段（1-stage）检测模型

单阶段模型没有中间的区域检出过程，直接从图片获得预测结果，也被成为Region-free方法。

1）YOLO(You Only Look Once)

论文链接：You Only Look Once: Unified, Real-Time Object Detection

2）SSD(Single Shot Multibox Detector)

论文链接：SSD: Single Shot MultiBox Detector

参考：
格灵深瞳DeepGlint - 干货 | 目标检测入门，看这篇就够了