目标检测技术的演变:R-CNN -> Fast R-CNN -> Faster R-CNN

首先应该明确两个概念:

目标识别

和

目标检测

目标识别

是指识别图片中物体的

类别

.

目标检测

是指不仅要识别图片中物体的

类别

, 而且还要使用 Bounding Box 标出物体的

位置

.

目标检测 = 目标识别 + 定位

经典目标检测方法

基于回归的思想

将 Bounding Box 的四个参数

(x.y,width,height)

作为网络的预测结果, 和真实的参数做损失. 网络使用

L2

损失函数.

基于滑动窗口的思想

基于输入图像, 取不同的滑动窗口, 之后利用 CNN 获得不同窗口图片的评分, 以此找出评分最高的目标窗口. 简单粗暴.

R-CNN

根据

selective search

算法生成可能包含目标的候选区域, 也就是

region proposal

. 生成的候选区域大小可能是不同的.

resize

不同大小的候选区至相同尺寸,

分别

将生成的

region proposal

放入 CNN 获取对应候选区的特征, 并缓存起来.

训练一个

svm

二分类器, 用来判断缓存起来的特征是否是相应的目标类别. 每个类别对应一个

svm

.

最后用一个

regression

修正器修正框的位置. (bbox regression)

缺点

: 尽管使用选择性搜索算法, 但是候选区大小不一, 需要调整到统一大小, 这样会导致信息丢失; 此外, 由于候选区重叠，多个候选区都会重复计算卷积特征, 计算性能和效率下降很多. 最后, 各个过程是分开的.

SPP-Net

卷积/池化/激活

等操作是不需要固定输入图像的 size 的, 所以可以共享前面的操作.

共享卷积计算。

采用空间金字塔池化（

Spatial Pyramid Pooling

）替换了全连接层之前的最后一个池化层

最关键的是

spp

的位置，它放在所有的卷积层之后，有效解决了

卷积层的重复计算

问题（测试速度提高了24~102倍）

缺点

: 和

RCNN

一样，训练过程仍然是独立的。分类和回归仍然是分开的，中间结果(卷积特征)依旧需要大量转存，太麻烦。

SPP-Net

在无法同时调整在

SPP-Layer

两边的卷积层和全连接层，很大程度上限制了深度CNN 的效果；

Fast R-CNN

使用金字塔池化思想实现多尺度输入, 只使用一层金字塔池化, 最后生成的时固定大小的特征图.

只对原图提取一次卷积特征, 共享卷积操作.

目标分类和 bbox regression 都放到网络中, 构成 multi-task 模型.

Softmax Loss

代替

svm

，

SmoothL1Loss

取代

Bouding box

回归

全连接层通过

SVD

(奇异值分解)加速

缺点

就是候选区域的生成是基于选择性搜索算法的, 这个过程又也是非常耗时的.

Faster R-CNN

加入一个提取边缘的神经网络，也就说找到候选框的工作也交给神经网络来做了. 做这样的任务的神经网络叫做

Region Proposal Network(RPN)

YOLO

SSD

总结

整理自:

https://www.cnblogs.com/skyfsm/p/6806246.html

http://blog.csdn.net/linolzhang/article/details/54344350