CV目标检测模型小抄(1)_objectness prediction-CSDN博客

截图来自: Faster RCNN理论合集_RCNN_霹雳吧啦Wz 2:40时刻

RCNN 利用 Selective Search 算法得到两千个候选区域, 然后将它们缩放到227227,然后讲候选区域输入到AlexNet中获得4096维特征。（2000各区域就有20004096个特征），然后交给svm分类器，有多少个类别就有多少个分类器。
由于候选区域很多，因此需要采用 非极大值抑制 的方法，具体就是，寻找得分最大的目标，计算与其他区域的(A∩B / A∪B)IOU值，若大于阈值则删除。最后一步是使用回归器去修正候选框的位置，有多少个类别就有多少个回归器，回归器利用的也是上述提到的4096维度的输出特征。
截图来自: Faster RCNN理论合集_RCNN_霹雳吧啦Wz 13:37时刻

不过该网络输出很慢，一张图片需要1分钟左右，训练过程繁琐，需要较大内存。

Fast RCNN

同样是Ross Girshick的作品
论文: Fast R-CNN, ICCV 2015
有篇知乎帖子也不错目标检测之Fast RCNN

使用VGG16作为backbone

通过Selective Search的2000个区域，然后再采样正样本和负样本。

Faster RCNN

依然是Ross Girshick的作品
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, 有一个讲Faster RCNN的帖子【论文解读】精读Faster RCNN
代码: torchvision/models/detection/faster_rcnn.py,
也有一个知乎帖子讲Faster RCNN的代码捋一捋pytorch官方FasterRCNN代码
另外还有一个大佬的代码 deep-learning-for-image-processing/pytorch_object_detection/faster_rcnn/, 他还录制了6个小时的讲解视频…Faster RCNN源码解析(pytorch)

从标题我们也可以看出，作者用 Region Proposal Networks 替代了 Selective Search算法(因为它处理一张图需要2s左右)

原始论文也是使用VGG16作为backbone

截图: Faster RCNN理论合集_FasterRCNN_霹雳吧啦Wz 15:32时刻

anchor是靠人工先验定义的，通过RPN输出候选区域，然后再去采样。

原文是RPN+Fast RCNN分步骤训练的，不过现在大多是联合训练（例如pytorch官方）。

另外，如果Faster RCNN后半段换成FPN，在pascal和coco的AP可以提两三个点。关于 FPN可查看: FPN结构详解_霹雳吧啦Wz, 十几分钟的讲解视频，原论文Feature Pyramid Networks for Object Detection, CVPR 2017

预测头预测个数：

类别: $\times (c+1)$
位置: $\times 4 \times (c+1)$

其中k为proposal数目，c为预测的类别数目, 这里通常会加上背景类，故加1

SSD

ECCV 2016, one stage.
论文: SSD: Single Shot MultiBox Detector
讲解视频： SSD算法理论_霹雳吧啦Wz
代码: deep-learning-for-image-processing/pytorch_object_detection/ssd/, 配对的代码讲解视频 SSD源码解析(Pytorch)_霹雳吧啦Wz
预测头预测个数：

类别: $\times (c+1)$
位置: $\times 4$

其中k为default Box(类似于Faster RCNN总的proposal)数目，c为预测的类别数目, 这里通常会加上背景类，故加1

RetinaNet

one-stage首次超过two-stage, 大神何恺明的作品(Tsung-Yi Lin，Priya Goyal Ross，Girshick，Kaiming He ，Piotr Dollar)

论文: Focal Loss for Dense Object Detection
代码: facebookresearch/Detectron, 包括Mask RCNN在内的很多模型的优秀仓库, 另一个大佬的代码 deep-learning-for-image-processing/pytorch_object_detection/retinaNet/
模型讲解: RetinaNet网络结构详解

可惜与yolov3对比，速度太慢了…

截图来自: RetinaNet网络结构详解 2:15时刻

预测头预测个数：

类别: $\times A$
位置: $\times A$

其中，A 是default box的个数， c是要分辨的类别个数（不包括背景）

与FastRCNN和SSD不同的是，RetinaNet使用所有的正负样本而不进行正负样本采样。

Yolo

YoloV1

2016 CVPR

论文: You Only Look Once: Unified, Real-Time Object Detection

将图像分成 $\times S$ 的网格, 如果目标的中心点落在某个网格中，则由这个网格生成的Bounding Box负责预测该目标。

截图来自: YOLO系列理论合集(YOLOv1~v3)_霹雳吧啦Wz yolov1, 10:28时刻

yolov1无 anchor概念，是直接预测出bounding box

对群体性的小目标检测效果不理想。

Yolov2

2017 CVPR

论文: YOLO9000: Better, Faster, Stronger
作者做的一个website, 至于为什么叫YOLO9000，是因为检测类别超过9000

截图来自: YOLO系列理论合集(YOLOv1~v3)_霹雳吧啦Wz yolov2, 17:36时刻

backbone: Darknet-19, 每一个卷积块由 2d卷积层+BN层+LeakyRelu构成。
预测头的输出是 $\times (5+c)$ , 其中外面的5是因为每个网格预测5个bounding box，里面的5是x, y, w, h, 和置信度confidence, 另外c代表预测类别数目(不包括背景类)。

截图来自: YOLO系列理论合集(YOLOv1~v3)_霹雳吧啦Wz yolov3, 16:19时刻

yolov2一些问题: 算法面试干货：Yolo系列的8个高频提问(yolov2)

YoloV3

2018 CVPR

论文: YOLOv3: An Incremental Improvement

没有引入独创的模块或创新点，整合了当前一些主流的结构而已，比如FPN，不过FPN是讲两个特征图在相同维度进行更相加，yolov3是在channel方向上进行concat。
backbone: Darknet-53

作者通过聚类, 得到(10×13),(16×30),(33×23),(30×61),(62×45),(59×
119),(116 × 90),(156 × 198),(373 × 326)这9个bounding box priors(其实和anchor差不多)

预测头(yoloV3有三个预测头, 每个预测头有不同尺度的特征图)输出个数是 $\times N \times [3 \times (4+1+c)]$ , 其中N代表特征图的尺度(如13*13)，小括号之外中括号的3是因为每个grid网格预测三个bounding box，括号内的4是预测的x,y, w,h, 1是confidence score(objectness prediction), c代表预测类别(不包括背景类), 原作者说过这么一句话
“for the 4 bounding box offsets,1 objectness prediction, and 80 class predictions.”, 这里用的是coco数据集，有80各类，故此时的c等于80。