物体检测的三种网络模型

物体检测的三种网络模型

介绍三种网络结构：（1）使用Proposal，包括Faster R-CNN和R-FCN；（2）SSD；（3）Yolo。这三种网络各具特色。

Faster R-CNN

R-CNN，Fast R-CNN和Faster R-CNN一脉相承。

 

R-CNN处理流程如上图所示：（1）使用一个提取Region Proposal的算法在一张图像上提取约2K个图像块（R-CNN中使用Selective Search算法，具体细节不用关心，演化到Faster R-CNN就用网络提取Proposal了）；（2）把所有的Proposal归一化成一个SS的矩形（CNN的输入要求是矩形）；（3）训练CNN网络，对每一个Proposal进行分类。可见R-CNN的做法还是很朴素的，它的贡献就是打破物体分类常用的Bag of Words方法，首次使用CNN来做。

R-CNN的一个缺陷是计算量很大：每个图像有约2K个Proposal，每个Proposal作为一个独立的输入提取特征，提取特征又是CNN中计算量密集的步骤，导致该算法很笨重。Fast R-CNN就是解决这个问题。

 

Fast R-CNN的处理流程如上图所示：（1）使用CNN网络提取底层特征（这些特征是整幅图像上所有的Proposal公用的，节省了R-CNN中的计算量）；（2）自己写了一个ROI Pooling层，从数据层得到ROIs，即：每一个Proposal的坐标，映射到Feature Map上的对应位置，把该位置的矩形分成7×7的块，使用max Pooling提取一个维数固定为49的特征向量，送到两个全连接层中；（3）输出网络是两个全连接层，一个做分类，Loss层是SoftMaxWithLoss，一个做回归，Loss层是SmoothL1Loss。网络结构如下图所示。

 

Fast R-CNN网络的一个缺陷：依赖外部算法提取Proposal，个数太多，仍然占用大量计算量。Faster R-CNN<