目标检测

参考书籍：《21个项目玩转深度学习》

参考文章：https://zhuanlan.zhihu.com/p/34142321

图像识别：输入一张图像，输出该图像对应的类别。

目标检测：输入同样是一张图像，但输出不单单是图像的类别。而是该图像中所含的所有目标物体以及它们的位置。通常使用矩形框来标识物体的位置。

R-CNN：Region-CNN

Fast R-CNN

Faster R_CNN

1. R-CNN

R-CNN将检测抽象为两个过程，一是基于图片提出若干可能包含物体的区域（即图片的局部裁剪，被称为Region Proposal），文中使用的是Selective Search算法；二是在提出的这些区域上运行当时表现最好的分类网络（AlexNet），得到每个区域内物体的类别。

步骤：提取框——对每个框提取特征——图像分类——非极大值抑制

warped region：将区域缩放到统一大小，再使用CNN提取特征。

CNN网络用的是AlexNet

提取出特征后使用SVM分类。

存在的问题：需要训练三个不同的模型（proposal, classification, regression）、重复计算过多导致的性能问题等。

SPPNet：Spatial Pyramid Pooling Convolutional Networks（空间金字塔池化卷积网络）

将CNN的输入从固定尺寸改为任意尺寸。SPPNet在普通的CNN结构中加入了ROI池化层（ROI Pooling），使得网络的输入图像可以是任意尺寸的，输出则不变，同样是一个固定维数的向量。

2. Fast R-CNN

文章指出R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的，没有共享计算，便提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算，故有Fast之名。

文章将Proposal, Feature Extractor, Object Classification&Localization统一在一个整体的结构中，并通过共享卷积计算提高特征利用效率，是最有贡献的地方。

3. Faster R-CNN

提出的RPN网络取代Selective Search算法使得检测任务可以由神经网络端到端地完成。

Faster R-CNN = RPN + Fast R-CNN，跟RCNN共享卷积计算的特性使得RPN引入的计算量很小，使得Faster R-CNN可以在单个GPU上以5fps的速度运行，而在精度方面达到SOTA（State of the Art，当前最佳）。

 

本文的主要贡献是提出Regional Proposal Networks，替代之前的SS算法。RPN网络将Proposal这一任务建模为二分类（是否为物体）的问题。

第一步是在一个滑动窗口上生成不同大小和长宽比例的anchor box（如上图右边部分），取定IoU的阈值，按Ground Truth标定这些anchor box的正负。于是，传入RPN网络的样本数据被整理为anchor box（坐标）和每个anchor box是否有物体（二分类标签）。RPN网络将每个样本映射为一个概率值和四个坐标值，概率值反应这个anchor box有物体的概率，四个坐标值用于回归定义物体的位置。最后将二分类和坐标回归的损失统一起来，作为RPN网络的目标训练。

由RPN得到Region Proposal在根据概率值筛选后经过类似的标记过程，被传入R-CNN子网络，进行多分类和坐标回归，同样用多任务损失将二者的损失联合。