基于深度学习的目标检测算法（二）

• Two-stage（Faster RCNN系列）
• One-stage（YOLO和SSD系列）

1. One-stage 基本介绍

• 使用CNN卷积特征
• 直接回归物体的物体类别和位置坐标信息（无region proposal）
• 准确度低。速度相较two-stage更快

1.1 基本流程

1.2 核心组件

1.2.1 CNN卷积神经网络

一般CNN设计原则：

• 一是从简到繁再到简的卷积神经网络。最开始的卷积神经网络是比较简单的，最经典的是Lenet，但是它的性能就相对较差，在大规模的任务中就会到达瓶颈，在网络中的表达能力就相对弱一些。之后又提出了Alexnet，VGGnet，Resnet，Goolenet，Densenet等等一些复杂的网络。这些网络发展主要是分为两个方向，一是增加网络的深度，尽可能的去增加网络深度，因为网络越深，它的非线性表达能力越强，在现实生活中，我们遇到的问题一般都是非线性的，因此这样可以得到物体更抽象的表达，而且网络越深，它对于图像 最初的一些变化更加不敏感，即鲁棒性更好，但是这样会出现两种问题，增加网络的规模，也会导致梯度消失或者说是梯度弥散的问题。二是增加网络的宽度，通过加大网络的宽度来增强网络的表达能力，比较有代表性的就是谷歌提出来的一系列 Inception 结构。
• 更轻量级的CNN网络。之后在设计网络时考虑性能和网络模型大小的平衡，其中比较具有代表性的就包括了Mobilenet，ShuffleNet等。
• 多尺度融合网络。通过融合不同尺度下的特征来提高网络的表达能力。

1.2.2 回归网络

• 区域回归（置信度、位置、类别）输入是通过CNN卷积神经网络进行特征提取得到的feature map，主要完成的是区域回归和目标区域类别的判定，其实区域回归就是指通过回归网络直接输出最终目标的Bbox的位置信息。
• Anchor机制（SSD）
  
  回归网络预测过程（YOLO）
  将图片划分为S*S的小格子，针对每个网格预测以当前这个网格为中心的目标区域的位置信息，在预测出中心后，再给出格子的宽高（x，y，w，h），这时候就能在图片中找到一个矩形框的检测区，即预测到Bounding Boxes。除此之外，对于每个格子还要计算它的置信度，置信度就是描述当前的这个格子中是否存在目标的概率值。其次，还会针对每个格子来预测当前格子所属的目标类别的概率分布值。最后根据非极大值抑制（NMS）得到最终的边界框。
  

2. One-stage 常见算法