Object Detection in 20 Years: A Survey目标监测20年综述解读（更新至P13，2.3.5）

最新推荐文章于 2024-07-31 19:07:12 发布

Shida

最新推荐文章于 2024-07-31 19:07:12 发布

阅读量3k

点赞数

分类专栏：目标检测

本文链接：https://blog.csdn.net/weixin_42662134/article/details/90479543

版权

这篇综述论文详细梳理了目标检测领域过去20年的技术发展历程，从传统的Viola Jones Detector、HOG Detector到基于CNN的两阶段和单阶段检测器，如RCNN、YOLO、SSD和RetinaNet。文章介绍了各个阶段的关键技术和挑战，包括多尺度检测、边界框回归和语义提取的演进，以及重要的数据集和评估指标。

摘要由CSDN通过智能技术生成

论文链接： https://arxiv.org/pdf/1905.05055v2.pdf

写在前面

这是一篇2019年5月的综述类论文，用39页的篇幅，调研了400篇论文，将目标检测20年的发展有广度有深度地进行整理和阐述。无论是对于初入门的不久想在目标检测任务上摸爬滚打的，还是已经是CV高玩，甚至是大佬，都可以从中得到收获。本文是我阅读论文时自己的整理记录，如有理解错误，请不吝指出，谢谢。

引言

目标检测是一个探究What objects are where的问题，是计算机视觉的基础任务之一，可以细分为通用目标检测和特定场景的目标检测。由于深度学习近几年的迅猛发展，目标检测也收益于此，得到了巨大的进步。

目标检测的综述论文也不只是这一篇，那么这一篇相对于其他综述类论文有什么区别呢？

时间跨度大。
深入剖析关键技术。
综合分析模型加速方法。

目标检测的困难与挑战，困难与挑战不同任务差异大：

计算机视觉的共同挑战：不同视角，光照，类内差异。
目标检测本身：目标旋转，尺度变换（小目标），目标准确定位，密集/遮挡目标检测，加速方法等。

在这里插入图片描述

二、目标检测的二十年

过去的20年，以2014年为界，前为传统的目标检测阶段，后为基于深度学习的目标检测阶段。

2.1 目标检测的路径图

2.1.1 传统的目标检测器

· Viola Jones Detector

2001年，人脸检测，在700MHz奔腾3处理器上跑出实时性能。

基于滑窗：从图像所有可能的位置和尺度的图块中，寻找是否包含人脸。这个计算量是很大的，而VJ Detector提出了三种方法大大提升了检测速度：

图像整合(Integral image)：提取HAAR特征，加速窗的过滤和卷积，使计算复杂度和窗尺寸无关。
特征选择(Feature selection)：Adaboost算法选择特征集合中最有帮助的的小子集。
级联检测(Detection cascade)：多阶段检测减少在背景滑窗上的检测时间。

· HOG Detector

方向梯度直方图(Histogram of Oriented Gradients, HOG)特征提取器在2005年提出，是一种尺度无关变换和形状语义方法的改进，对变换、大小、光章和其他非线性因素鲁棒，并且通过保持检测窗不变的基础上，缩放输入图像，来检测多尺度目标。

· 可变部件模型 DPM

DPM是VOC检测挑战07-09年三年的冠军，是当时的最好方法。

“divide and conquer”：训练被看成是一种目标合适分解方法的学习，测试是检测出的不同目标部件的集成。

一个经典的DPM由一个root-filter和许多part-filter组成，使用弱监督方法取代手动配置part-filters，并进而提出了Multi-Instance Learning，同时，现在非常流行的难例挖掘、边界框回归等也在当时提出。使用了一种“编译”检测器模型的方法达到了比级联更快的检测速度，且不损失精度。

2.1.2 基于CNN的两阶段检测器

2010-2012年，基于传统方法的目标检测进入瓶颈，而深度卷积神经网络给目标检测注入了新的动力。

· RCNN

RCNN的思想很简单：先用selective search抽取一系列目标的候选框，将每个候选框都缩放到固定尺寸送到ImageNet训练好的CNN模型中，抽取每个候选框对应的特征，最后使用线性SVM分类器来预测候选框中目标类别。

RCNN和传统方法相比取得了极大的进步，但是计算量太大，一张图会获得超过2000个候选框，并且每个候选框单独送入网络，导致整个模型非常慢，GPU上14s/image。

· SPPNet

2014年何恺明提出了Spatial Pyramid Pooling Networks，可以将不同候选框通过SPP layer产生固定尺寸的特征图，并且不需要缩放，这样每张图的所有候选框只要前向计算一次，避免了重复计算，使SPP比RCNN在不损失精度的前提下快了20倍。

同样，SPP仍然是多阶段的检测器，而且SPP只fine-tune全连接层而忽略之前的层。而这个问题在Fast RCNN得到了解决。

· Fast RCNN

RCNN的作者R. G在RCNN和SPP的基础上提出了Fast RCNN。Fast RCNN同时训练检测器和回归器，比RCNN快了200倍。

但是Fast RCNN的检测速度仍然受限于候选框的数量。

· Faster RCNN

2015年任少卿在微软研究院实习的时候，做出的一篇成果。Faster RCNN是第一个端到端的、近乎实时的深度学习检测器。其主要贡献是Region Proposal Network，RPN，使网络能够自己生成候选框。

尽管Faster RCNN突破了Fast RCNN的计算瓶颈，但是仍然有计算冗余。RFCN和Lighthead RCNN都对此作出了一些改进。

· FPN

2017年，Lin提出了Feature Pyramid Network, FPN，在Faster RCNN的基础上。在FPN之前，许多检测模型都只提取网络的最后一层特征图用于后续处理，尽管最后一层特征图有最丰富的语义信息，但是缺少位置信息。FPN从最高层特征图不断向上上采样融合，得到不同尺度的特征图。FPN的优点是多尺度的检测，并且直到如今也是主流的特征提取网络。

2.1.3 基于CNN的单阶段检测器

· YOLO

You Only Look Once, YOLO于2015年提出，是第一个单阶段的目标检测器。YOLO非常快，在较少精度损失的前提下甚至达到了155fps的速度。作者完全抛弃了“候选框+验证”的模式，而是采用了另一种方法：用单个神经网络处理整个图像。网络将图像分割成不同的region，并且同时预测边界框和对应的目标概率。并且在之后陆续提出了YOLO v2,v3，在保持高速度的前提下进一步提高了检测精度。

尽管YOLO速度很快，但是和两阶段的检测器相比，准确度仍然不足，尤其是对于小目标。后续的YOLO版本和SSD关注了这个问题。