目标检测算法系列

图像识别三大任务

目标识别：输出类别

目标检测：输出类别以及物体在图片当中的位置

目标分割：把物体形状描述出来，背景进行剔除

一、R-CNN

1、步骤：

        1、找出可能存在的候选区域，得出2000个候选区域，统一成大小

                - 通过选择性搜索（ss）算法，进行筛选

                - 大小统一：通过crop + warp

        2、进行CNN提取特征，得出2000特征向量

                - 使用 AlexNet 的结构，输入要素227*227

                - 提取出的特征会保存在磁盘当中

                - [2000，4096 ]

        3、20个 SVM 进行分类，得到2000*20的得分矩阵

                - 20：代表你的目标检测当前数据集一共需要检测20种类别

                - 得出 [2000,20]的得分矩阵，打分

        4、进行 NMS ，剔除候选框

                - 理解 NMS 的整个过程

                - 假设现在滑动窗口有：A、B、C、D、E 5个候选框，

                        - 第一轮：假设B是得分最高的，与B的 IoU > 0.5删除。现在与 B 计算 IoU ，DE结果>0.5，剔除DE，B 作为一个预测结果。

                        - 第二轮：AC中，A的得分最高，与A计算 IoU，C的结果 > 0.5，剔除C，A作为一个结果。

        5、修正bbox，对bbox做回归微调

                - 通过线性回归，特征值是候选区域，目标是对应的GT

                - 建立回归方程学习参数。

2、R-CNN训练过程

        正负样本准备 + 预训练 + 微调网络 + 训练SVM + 训练边框回归器

（1）正负样本准备

当前我们业务的数据集（正负样本标记）

（2）预训练

一般在现有模型的基础之上进行，别人已经在大数据集上训练好的CNN网络参数模型。model1

（3）微调

利用标记好的样本，输入到model1当中，继续训练，得到model2（CNN网络）

（4）SVM 分类器

训练 SVM 分类器，每个类别训练一个分类器

特征 M * 4096，一个 SVM ，4096 * 20

        - 正负样本标记结果（100个猫，900个非猫）

        - 总共得到 4096*20 的 SVM 权重

（5）bbox回归器训练

筛选候选框，只对那些跟 ground truth 的 IoU 超过某个阈值且 IoU 最大的 region proposal 回归

训练得到回归的参数

3、R-CNN测试过程

4、缺点

速度慢在哪里：卷积层慢

二、SPPNet

一张图片直接全部卷积计算，取出 crop + warp 操作

流程分析：重点是映射 + SPP 层

1、映射

image --- > SS -- > 候选区域

image -- > CNN -- > 特征图

将候选区域映射到特征图当中，得出每个候选区域的特征向量。

2、SPP：spatial pyramid pooling

        - 对于 M 个候选区域，每个都要经过 SPP 层进行变换

        - 把每个候选区域进行分块：4*4、2*2、1*1

        - 输出：没个候选区域的特征向量都为 21 * 256 (不同网络 卷积输出通道数不一定一样)

        - 长度固定，特征向量有了

3、总结