第四阶段-CV理论基础-目标检测

目标检测算法发展

几个概念

RPN(RegionProposal Network)区域生成网络
Region proposals又称Regions of interest（RIO）就是找目标区域，找到的目标区域又叫bounding box。
Anchors

区域RCNN

R-CNN

实际上是将图框出各部分，然后再去提取特征，再通过SVM分类判断，每个类都采用一个SVM模型，而后各类再回归，计算量特别大且繁琐

• 每张图片2000多个区域都要进行卷积计算

SPP-Net
改进R-CNN：（实际上是将卷积提到了区域框划分的前面）

• 不再是采用各个框图算出后再去放到CNN提取特征，而是直接将整个图放进去。
• 引入空间金字塔池化：为不同尺寸的区域在Conv5输出上提取特征、映射到尺寸固定的全连接层。
  
  问题
• 特征离线训练，耗内存
• 复杂多阶段，时间仍然太长
• SPP层之前的所有卷积层参数不能fine tune

FastR-CNN
改进：

• 更快
• 实现了更高的mAP（平均准确率）
• 实现了端对端的（end-to-end）的单阶段训练-多任务损失函数
• 所有层的函数都可以fine-tune
• 不需要离线储存特征文件

FasterR-CNN
取代离线Selecttive Search模块-解决性能瓶颈
进一步共享卷积层计算
基于Attention注意机制-引导Fast R-CNN关注区域
Region proposals量少质优-高precision、高recall

R-FCN
适应全卷积化CNN结构，提出全卷积化设计

• 共享ResNet的所有卷积层
• 引入变换敏感性
• • 1 位置敏感分值图
• • 2 位置敏感池化

YOLO系列

YOLO将物体检测任务当做一个regeression问题来处理，通过YOLO，每张图像只需要“看一眼”就能得出图中都有哪些物体和这些物体的位置。
YOLOv1
网络又24个卷积层与2个全连接层构成，网络入口为448*448,图片进入网络先经过resize，网络的输出结果为一个张量。
优点

• 速度快
• 假阳性率低
• 能够学到更加抽象的物体特征
  不足
• 检测精度低
• 容易产生定位错误
• 对小物体的检测效果不好，尤其是密集的小物体
  YOLOv2
  基础模型采用Darknet-19
• 使用较多的3*3卷积核，在每一次池化操作后把通道数翻倍
• 网络使用了全局平均池化
• 采用BN稳定模型训练
  YOLOv3
• 使用一个53层，7个卷积得到第一个特征图谱，在这个特征图谱上进行第一次预测。
• 然后从后向前获得倒数第三个卷积层的输出，进行一次卷积一次*2上采样，将上采样特征与第43个卷积特征连接，经过7个卷积得到第二个特征图谱，在这个特征图谱上做第二次预测
• 然后从后向前获得倒数第3个卷积层的输出，进行一次卷积

疑惑

• 什么是Fine tune
• 什么是