目标检测一步步发展史

目标检测：

• DPM：可以看做是HOG+SVM的扩展，很好的继承了两者的优点；

   缺点：

1. 基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余
2.  手动设计特征，不具有多样性

 

• Overfeat：把图像分类、定位、检测三个任务整合到一个框架中。Overfeat是一个特征提取器。

需要大量已标记样本，定位和分类通常针对于大型对象（数据共享），检测需要额外数据

 

• r-cnn：采用ss算法进行候选框提取，然后缩放成国定比例，归一化在输入cnn提取特征，对于每个候选框 提取的cnn特征

         再用svm分类处理，线性回归微调边框，然后每个类需要单独训练边框回归器

问题：通过候选框 提取2000个左右候选框，需要cnn操作，计算量大，存在很多重复计算，而且需要分开单独训练

 

• SPP-net  特征提取不再需要每个候选区域都经过CNN，只需要将整张图片输入到CNN就可以了，ROI特征直接从特征图获取。

     缺点： SPP-NET在微调网络时固定了卷积层，只对全连接层进行微调

 

 

• Fast R-CNN：特征提取月spp-net 类似，对整张图片做一次cnn特征提取，用softmax代替了svm分类，利用多任务损失函数将边框回归和分类一起进行。

         问题： 候选框提取用的ss方法，时间太长

 

• Faster R-CNN：Fast R-CNN+RPN,RPN网络 用共享卷积输出特征图，用每个anchor box区域进行二分类，并进行回归得分，然后对得分区域做nms，最后前300个作为候选区域；RPN的网络和Fast R-CNN网络实现卷积层的权值共享

        R-FCN  在Faster R-CNN基础上，共享卷积的层数更多了，提高速度。

 

 

• YOLO   YOLO没有显示地求取region proposal的过程，而yolo则直接将7x7这49个区域作为候选区域。将物体检测作为一个回归问题进行求解，输入图像经过一次inference（推理），便能得到图像中所有物体的位置和其所属类别及相应的置信概率。

         缺点： 检测物体准确率低

 

• SSD  在YOLO基础上 增加了多尺度feature map，用不同的卷积核构造不同尺度的feature map，完成物体分类和检测

        准确率和速度都高于Faster R-CNN

 

文本检测识别：

• FCN    对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN 可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样,它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。

 

• Single Shot Text Detector with Regional Atterntion

     提出an atterntion mechanism，也就是an automatically learned attention map，从而实现抑制背景干扰
    Inception模块    把多个不同尺寸的卷积结果串接（concat）起来。
    原理：利用文字的像素级别的binary mask
               从卷积特征中学习文字的空间区域信息
               将文字特征封装回卷积层，实现特征增强

 

• Detecting oriented text in natural images by linking segments

    SegLink模型
    检测word或者text 的两部分（小文字块segment 和 link ）,然后结合它们。
   一个 segment 是一个覆盖一个word一部分的有方向的box(对于多个词组成的text line同样适用) 
     一个link 是连接一对segments，表明它们属于同一个word

    这种方案方便于识别长度变化范围很大的、带方向的单词和文本行，它不会象Faster-RCNN等方案因为候选框长宽比例原因检测不出长文本行。
   同一层特征图、或者相邻层特征图上的小文字块都有可能被连接入同一个单词中。换句话说，位置邻近、并且尺寸接近的文字块都有可能被预测到同一单词中。

 

• PixelLink: detecting scene text via instance segmentation

     PixelLink模型
     直接从实例分割结果中提取文本框的位置，而不是从边界框坐标回归中获得
     通过FCN网络，借助CNN执行两个像素级预测：一个文本二分类预测，一个链接二分类预测，然后 用正链接去连接邻居正文       本像素，得到文字块实例分割结果。

 

• Multi-oriented scene text detection via corner localization and region segmentation

     基于角点定位和区域分割的多方向场景文本检测
    定位文本边界框的角点和分割文本区域的相对位置来检测场景文本

 

• TextBoxes: a fast text detector with a single deep neural network

     TextBoxes模型
    对ssd修改，增加default boxes，适应文字长度比较长，宽比较短的特性；增加了Multi-scale的输入