基于Tensorflow学习神经网络-目标检测
8. Object Detection（RCNN-RPN-YOLO-）
https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html
http://blog.csdn.net/invadertroy/article/details/76253778
https://www.cnblogs.com/skyfsm/p/6806246.html
http://blog.csdn.net/hx921123/article/details/55804685?locationNum=3&fps=1
任务：找出图像中所有目标的位置，包含一个或多个目标。如下图
DPM（Deformable Part Model-传统算法）
http://blog.csdn.net/ttransposition/article/details/12966521
思路：用Hog算子计算梯度方向直方图，提取特征，用SVM训练得到物体的梯度主模型（模型1）。将模型拆分成多个子模型（模型2，子模型分辨率是主模型分辨率的两倍），应对目标动作变化；建立多个模型应对视角变化。计算模型的匹配度，减去子模型位置偏移（模型3）损失，即目标得分。
子模型得分如下，在一定分为内寻找综合匹配和形变最优的位置。
缺点：传统算法提取人工设定特征（如Haar、Hog），检测时需滑动窗口依次判断所有可能区域，RCNN网络则会预先提取可能性高的目标候选区域，在候选区域提取特征进行判断；并用神经网络提取特征代替人工特征。
RCNN(Region CNN，2013.11)
http://www.cnblogs.com/soulmate1023/p/5530600.html
http://blog.csdn.net/hjimce/article/details/50187029
http://blog.csdn.net/shenxiaolu1984/article/details/51066975
RCNN算法步骤：为每张图像生成1K-2K个候选区域，对候选区域用深度网络提取特征，用SVM分类器进行分类（与传统方法相同），适用回归器修正候选框位置。
候选区域
数据：PASCAL训练集。
a.将图像分割成小区域，b.合并区域（规则：颜色、纹理、合并后面积小、占BBox面积大）直到全部合并，c.所有中间区域都是候选区域。
特征提取
预训练：直接用AlexNet网络（直接采用其参数）对ILVCR数据进行训练，分类网络。
调优训练：将PASCAL数据的候选区域归一化（尺寸归一化对性能有所影响，采用直接缩放的方式，无视横纵比）作为训练集，候选区A与PASCAL数据对应标签区域B的IOU大于0.5（作者调优测试0.3最佳）即认为是目标，否则认为是背景，训练优化AlexNet网络参数。
分类
PASCAL数据对应标签区域B作为正样本，候选区A与B的IOU小于0.3作为负样本，AlexNet网络F7层作为特征，训练SVM分类器进行分类。
为什么不直接用CNN分类？因为测试效果好。。。
区域选取和修正
区域选取：极大值抑制选取目标矩形框（选择所有矩形中分值最大的区域，将与其重叠较大的区域去掉，在剩下的区域中迭代进行上述操作，找到所有保留的矩形）。
区域修正：训练线性回归器，样本为与B的IOU大于0.6的候选区，输入为AlexNet网络Pool5特征，输出为xy方向缩放和平移。用该回归器进行位置修正。
缺点
输入图像尺寸需要归一化，可能导致信息丢失。（SPPNet改进）
训练测试时速度慢，一张图像内候选大量重叠，提取特征操作冗余。（SPPNet改进）
训练所需空间大，分类器和回归器独立。（Fast-RCNN改进）
预选区域与CNN分离。（Faster-RCNN改进出RPN网络，YOLU真正将两问题融合）
SPPNet（Spatial Pyramid Pooling，空间金字塔池化网络,2014.6）
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
http://blog.csdn.net/v1_vivian/article/details/73275259
对图像进行裁剪或变形缩放，会导致信息丢失，SPPNet可接收任意尺度输入；改进特征提取，解决计算冗余导致效率低的缺陷。解决缺陷1、2，其它与RCNN一致。
Spatial Pyramid Pooling
在卷积层和全连接层之间加入金字塔池化层，使输出特征维度一致。实现见下图：将4*4、2*2、1*1三个网格放到特征图上，每个块提取一个特征，共21维特征，作为全连接层输入。
特征提取优化
原图一次卷积得到整张Feature map，然后找到候选框在Feature map上对应位置（卷积后尺寸有所变化，计算对应坐标）的映射patch，节省大量时间。
FRCNN（Fast RCNN，2015.4）
http://blog.csdn.net/shenxiaolu1984/article/details/51036677
http://blog.csdn.net/u010678153/article/details/46891655
最大改进在于将SVM分类器和区域修正的线性回归融入了神经网络，并共享特征。
Roi pooling layer
Roi pooling layer即single-level spp，仅取一个M×N的网格进行特征提取。作者实验发现使用多尺度的图像金字塔，性能有所提高，但不是很大，但速度要慢不少，因此只选了1层（预选区域投票的方法预选区域时已经将小目标选出来了，所有对浅层特征的需求相对较低，所以Fast RCNN把多尺度扔掉了；而SSD【单尺度多比例】和YOLOv2【聚类5个boxes】又把多层特征用上了，增强对小目标的检测）。
Multi-task loss
多任务损失：loss_cls分类损失（N类目标+1类背景）和loss_bbox回归损失（x，y方向缩放和偏移=4）。去掉svm分类，实验发现softmax性能较SVM略好。通过multi-task loss（两种损失求和）将区域修正的回归分类器放到了神经网络内部，作者实验发现，二者可共享卷积特征并相互促进。
其它改进细节
调优训练：min_batch(N=2张完整图像，选取R=128个候选框【IOU[0.5，1）为前景R中占比25%，[0.1，0.5）为背景，R中占比75%】)。另作者观点tuning-fine浅层没必要更新，可减少训练时间。
SVD：全连接层做SVD分解性能下降0.3%，可提速约30% 。
proposal：增加proposal个数对网络没有好处。
Faster RCNN（2015.6）
http://blog.csdn.net/shenxiaolu1984/article/details/51152614
http://blog.csdn.net/Seven_year_Promise/article/details/60954553
目的：a.将区域预选放到神经网络中，训练RPN（Region Proposal Network）网络；b.将RPN与识别修正神经网络相结合，且共用特征，将RPN放到Fast-RCNN中卷积层后面。总体来说就是用PRN网络代替Fast-RCNN中卷基层后输入的预选区域，有神经网络内部训练。
RPN
卷积得到Feature map（M×N），对每个特征点生成9个anchor（3种大小3种比例=9，此处anchor个数很多，先按规则选取【anchor样本选取规则：边界弃之，IOU（0.7，1）为前景，（0,0.3）为背景，[0.3,0.7]弃之】，再通过Non-Maximum Suppression减少后再分类回归，适用nms可能导致遮盖的同类物体无法被同时检出？），加一层conv+Relu，训练判断每个anchor是前景或背景的概率（二分类），以及anchor区域回归（x、y、w、h，4回归）。RPN是FCN全卷积网络。
anchor这个概念有很多限制，为什么是9个？大小和比例是否可以变更？
RPN和Fast-RCNN训练
轮流训练
a. 从W0开始，训练RPN。用RPN提取训练集上的候选区域
b. 从W0开始，用候选区域训练Fast RCNN，参数记为W1
c. 从W1开始，训练RPN…
具体操作时，仅执行两次迭代，并在训练时冻结部分层。
联合训练（公开代码用此方法训练，时间比上面减少20%-25%）
在backward计算梯度时，把提取的ROI区域当做固定值看待；在backward更新参数时，来自RPN和来自Fast RCNN的增量合并输入原始特征提取层。
四个损失函数
RPN Classification（anchor good|bad）
RPN regression（anchor → proposal）
Fast RCNN Classification(over classes)
Fast RCNN Classification(proposal → bbox)
Faster RCNN 中的RPN和fast RCNN网络特征共享，但仍然是两个网络。
YOLO（You Only Look Once,2015.6）
https://pjreddie.com/darknet/yolo/
https://www.cnblogs.com/fariver/p/7446921.html
http://blog.csdn.net/hrsstudy/article/details/70305791
https://zhuanlan.zhihu.com/p/24916786?refer=xiaoleimlnote
之前的方法（如RCNN，SPPNet，FastRCNN，FasterRCNN）都是先找到区域，再对区域内图像做识别。YOLO将物体检测作为一个回归问题处理，一个网络直接预测BBox坐标、是否包含物体和物体类别，检测速度很快，达到实时，但一代YOLO精度略低。
YOLO算法步骤：
将输入图像归一化到统一尺寸448 * 448；
GoogLeNet特征提取（1*1+3*3卷积替换Inception结构），网格预测 → BBox定位、物体识别；
NMS 过滤合并BBox。
网格预测
将图像分成S×S（7*7）个cell，每个cell负责检测中心落在该网格内的物体，且设定每个cell可预测B(2)个BBox。则YOLO网络负责a.预测S×S×2=98个BBox坐标（x，y，w，h）以及是否包含物体的概率 b.预测S×S=49个cell所属物体的概率，作者验证20个分类。则每个cell预测的数据维度=2×（4+1）+20 = 30，总回归数据维度=7×7×30。
每个bbox只负责一个object，一个cell生成两个bbox，这两个bbox是用来定位的，一个cell只表示一个object是指分类。不同bbox之间是会有交集的，作者认为相交部分的cell图像也只能属于一个分类（此处cell中可能是一个object将另一个遮挡，也可能是某一object占比大于另一个，就算各占一半也只表示一个object）。
为什么是7*7，因为最后特征尺寸就是7*7.
训练
特征提取网络改自GoogLeNet。
预训练分类：与RCNN系列一致，先在分类数据集上训练分类网络，便于后续应用网路卷积特征提取部分。预训练时输入为224*224，训练网络为前20层卷积+额外（average pooling layer+FC)。
训练检测：训练输入改为448*448（区域检测要求精度高...），修改模型=>GoogLeNet20层+4个卷积层+2FC(毕竟任务有所不同【分类->坐标回归+分类】，作者实验在预训练网络后加卷积层效果好，SSD对此处进行修改结合了不同分辨率的特征，增强了对小目标的检测能力)，执行检测训练。
损失
损失函数的设计宗旨：让坐标（x,y,w,h），confidence，classification 这个三个方面达到很好的平衡。
在训练时我们希望每个object（ground true box）只有一个bbox专门负责（一个object 一个bbox）。具体做法是与ground true box（object）的IOU最大的bbox 负责该ground true box(object)的预测。这种做法称作bounding box predictor的specialization(专职化)。每个预测器会对特定（sizes,aspect ratio or classed of object）的ground true box预测的越来越好。
坐标，w，h为何开方？因为对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏相同的尺寸对IOU的影响更大。目的思路是对的，但方法有待改进。另由于对bbox坐标预测更为重视，其位置便宜影响后续loss，因此赋予坐标较高权重。
置信度，归一化，然而大部分BBox没有目标，可能导致loss不平衡，因此引入，取0.5。
分类，作者设计每个cell只能同种物体。若格子中包含物体，希望预测正确的类别的概率越接近于1越好，而错误类别的概率越接近于0越好，。
另注：loss只是在训练时使用，是可以直接打上标签的。
测试
每个bbox 分类概率P（bbox）包含每个cell置信度和bbox分类概率，如下式：
依次对每个bbox进行上述操作，得到7*7*2=98个预测概率及对应坐标信息，设定阈值过滤掉低分值的bbox，然后对不同类别的bbox分别进行NMS处理，即得到最终结果。
缺点
一个网格中只预测了两个框，对相互靠的很近的物体，检测效果不好；
受限于7×7的网格限制，小尺寸目标检测不好；
损失函数坐标损失有待改进；
CNN固定尺寸输入。
YOLO v2（2016.12）
http://blog.csdn.net/jesse_mx/article/details/53925356
https://zhuanlan.zhihu.com/p/25052190
基于YOLO在网络结构上的改进得到YOLOv2，改进如下：
分类预训练与检测尺寸一致，都用448*448；
为增强对小目标的识别能力，减少了池化层，使feature map尺寸变大，则网格分辨率由7×7提升到13×13（446/2^5=14取13，必须用奇数，保证有一个cell可以看到中心的目标，13×2^5=416 将检测输入分辨率改为416×416）；增加特征级联操作，融合不同层的特征，提高网络对小目标检测效果。
加入BN，网络收敛更快；基础网络修改为darknet-19；修改为全卷积网络，可接收任意尺度输入，但在训练时每10轮（epochs）修改尺寸进行训练，最终特征图尺寸即为网格尺寸；
引入faster RCNN的anchors机制，将位置由全图回归转换为anchor位置修正（召回率上升，准确率有所下降，召回率增加可提高物体检出率，但太高计算成本太大，所以anchor个数选取很重要），每个cell设置anchor个数K（类似于YOLO中的B值）由2修改为5（作者针对voc和coco数据集离线聚类计算5最合适，且给出了每个anchor的值）；且根据faster RCNN 的anchors 损失修改对应的损失函数。
与SSD比较，小物体检测不如SSD，YOLOv2优点在于速度快，检测精度和准确度接近与SSD。
YOLO9000（2016.12）
https://www.leiphone.com/news/201708/7pRPkwvzEG1jgimW.html
基于YOLO在训练方法上的改进得到YOLO9000：可实时检测9418种物体，可以预测没有labelled的目标检测数据 。改进如下：
基于WordNet建立WordTree（标签树）综合ImageNet和COCO数据集，实现目标分类与检测的联合训练，得到YOLO9000。每个内部节点是一个softmax，其概率为路径上条件概率乘积；wordtree路径都有class loss。
网络简化到24层，输出特征17×17；每个cell 3个anchors；则输出17×17×（3×（4+1+9418））。
注意：个人理解，YOLO中每个cell输出维度=2×5+20=30，，20表示每个cell的分类；而YOLOv2中每个cell输出维度 = 5*(5+20) = 125，20表示cell对应的bbox的分类。
SSD（Single Shot MultiBox Detector，2015.12）
http://blog.csdn.net/u010167269/article/details/52563573#reply
引用faster-RCNN 的anchor boxes思想（高召回率带来的高精度），用YOLO的cell网格减少bbox密集度&&单网络检测提高了速度，借鉴DeepLab中的空洞卷积增大感受野，提出multi-scale方法（不同分辨率的特征负责不同尺度的目标检测），优化了anchor boxes的多尺度方法，是anchor的选择更加合理，也改进了YOLO对小目标检测差的缺陷，设计出SSD，基础网络是VGG-16。
最浅层38*38，尺寸大，每个特征点（cell）用3个boxes，其它layers都用6个。共预测38*38*3+（19*19+10*10+5*5+3×3+1*1）×6=7038个box
主要介绍一下几个改进（数据增强，空洞卷积不写了）如下：
Multi-scale
YOLO只利用最后一层feature-map 7*7，SSD用了6层分别预测，最浅层尺寸大，用了3个default boxes，其它层均用6个boxes，共7038个bboxes（不同层特征的分辨率不一致，选择不同大小的default boxes预测不同大小的目标），对每层特征加一个卷积层分别预测各层特征位置和分类。
尺寸公式：S_min取0.2，S_max取0.95。
Label
如何根据GT boxes给default boxes标记？YOLOv2应该是取IOU最大的一个进行标记，SSD 将IOU大于阈值（0.5）的 default boxes都进行配对标记（一个GT box可能与多个default box配对）。
LOSS
c每类的置信度，l是predict box，g是gt box，x表示l和g是否匹配（匹配为1，不匹配为0）.N是与GT box匹配个数，是softmax loss，位置损失，同fast-rcnn，权重a=1（与YOLO差别，YOLO只匹配一个，通过权重增加对位置预测的权重，而ssd多匹配同权重）。
Hard negative mining
无效boxes远大于有效boxes，导致难以收敛，选取无效boxes中confidence最高的，是正负box比例在1:3。
模型分析
数据增广、浅层特征对性能提升很大，增加default boxes效果更好，但达到一个个数后效果不是很明显，空洞卷积对检测效果有所提升，重要的是对速度提升很大。
RFCN（2016.5）
RFCN是基于faster-RCNN的一个改进。faster-RCNN用基础网络（ZFNet，ResNet）提取特征，roi pooling后分成两个网络，分别做目标定位和分类，后面用不同的全连接参数（参数多），且每个box单独跑网络（耗时），RFCN就是想解决这个问题，解决思路:改进roi pooling，把全连接（改为全卷积）操作全放在roi pooling前面共享，减少参数和计算量。
Roi pooling
http://blog.csdn.net/baidu_32173921/article/details/71741970
resnet101卷积得到feature maps（W×H×1024），后面接卷积层（C=类别 ，k=3），输出，即每个类9个位置的feature map（一个位置每个类一张feature map），表示每个点属于9个不同方位的概率。基于此特征进行Roi pooling，也是一个SPP结构，用一个3*3的网格池化ROI内的特征。最后softmax等到每类最终得分。
Roi pooling方法如下图：将ROI分成一个3*3的网格，每个格子分别对应到9张feature map中，取网格内的平均值，输出3*3*(C+1)。充分利用位置信息，挺好的想法，但感觉不太好训练回归。
loss与faster rcnn类似。
样本选取：对负样本loss排序，选取loss较小的，是正负样本更加平衡。
为什么要用3*3的位置？作者测试用1×1效果不好。不排除用别的，物体结构？4*4+3*3？
其它-NMS convnet
http://blog.csdn.net/elaine_bao/article/details/50458463
上述方法中都是选取目标box分类后，再用传统NMS合并，当同类目标靠的很近时，可能将目标合并（取决于score和IOU阈值），有人做过NMS 卷积网络，若把NMS也合并到Object Detection 的神经网络就好了，但还不成熟，据说该链接文章被拒，没看。。。
Object Detection和Semantic Segmentation在深度学习中方法上的区别：目标检测直接在缩小的feature-map上进行目标预测和分类，语义分割相对而言要求更加精确，将特征上采样到原尺寸后再进行point分类预测；由于目标大小不一，所以二者都会使用浅层特征提高对小目标的识别效果，目标检测不需要融合浅层和深层特征，预测完成后可用NMS合并，而语义分割结合浅层和深层特征后对每个点进行预测分类，再用CRF优化分类（感觉上最后这一部分二种方法是可以结合起来的）。
疑问？？深层和浅层提取特征除分辨率、感受野上差距外的不同？是否特征类型相似？？
https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html
http://blog.csdn.net/invadertroy/article/details/76253778
https://www.cnblogs.com/skyfsm/p/6806246.html
http://blog.csdn.net/hx921123/article/details/55804685?locationNum=3&fps=1
任务：找出图像中所有目标的位置，包含一个或多个目标。如下图
DPM（Deformable Part Model-传统算法）
http://blog.csdn.net/ttransposition/article/details/12966521
思路：用Hog算子计算梯度方向直方图，提取特征，用SVM训练得到物体的梯度主模型（模型1）。将模型拆分成多个子模型（模型2，子模型分辨率是主模型分辨率的两倍），应对目标动作变化；建立多个模型应对视角变化。计算模型的匹配度，减去子模型位置偏移（模型3）损失，即目标得分。
子模型得分如下，在一定分为内寻找综合匹配和形变最优的位置。
缺点：传统算法提取人工设定特征（如Haar、Hog），检测时需滑动窗口依次判断所有可能区域，RCNN网络则会预先提取可能性高的目标候选区域，在候选区域提取特征进行判断；并用神经网络提取特征代替人工特征。
RCNN(Region CNN，2013.11)
http://www.cnblogs.com/soulmate1023/p/5530600.html
http://blog.csdn.net/hjimce/article/details/50187029
http://blog.csdn.net/shenxiaolu1984/article/details/51066975
RCNN算法步骤：为每张图像生成1K-2K个候选区域，对候选区域用深度网络提取特征，用SVM分类器进行分类（与传统方法相同），适用回归器修正候选框位置。
候选区域
数据：PASCAL训练集。
a.将图像分割成小区域，b.合并区域（规则：颜色、纹理、合并后面积小、占BBox面积大）直到全部合并，c.所有中间区域都是候选区域。
特征提取
预训练：直接用AlexNet网络（直接采用其参数）对ILVCR数据进行训练，分类网络。
调优训练：将PASCAL数据的候选区域归一化（尺寸归一化对性能有所影响，采用直接缩放的方式，无视横纵比）作为训练集，候选区A与PASCAL数据对应标签区域B的IOU大于0.5（作者调优测试0.3最佳）即认为是目标，否则认为是背景，训练优化AlexNet网络参数。
分类
PASCAL数据对应标签区域B作为正样本，候选区A与B的IOU小于0.3作为负样本，AlexNet网络F7层作为特征，训练SVM分类器进行分类。
为什么不直接用CNN分类？因为测试效果好。。。
区域选取和修正
区域选取：极大值抑制选取目标矩形框（选择所有矩形中分值最大的区域，将与其重叠较大的区域去掉，在剩下的区域中迭代进行上述操作，找到所有保留的矩形）。
区域修正：训练线性回归器，样本为与B的IOU大于0.6的候选区，输入为AlexNet网络Pool5特征，输出为xy方向缩放和平移。用该回归器进行位置修正。
缺点
输入图像尺寸需要归一化，可能导致信息丢失。（SPPNet改进）
训练测试时速度慢，一张图像内候选大量重叠，提取特征操作冗余。（SPPNet改进）
训练所需空间大，分类器和回归器独立。（Fast-RCNN改进）
预选区域与CNN分离。（Faster-RCNN改进出RPN网络，YOLU真正将两问题融合）
SPPNet（Spatial Pyramid Pooling，空间金字塔池化网络,2014.6）
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
http://blog.csdn.net/v1_vivian/article/details/73275259
对图像进行裁剪或变形缩放，会导致信息丢失，SPPNet可接收任意尺度输入；改进特征提取，解决计算冗余导致效率低的缺陷。解决缺陷1、2，其它与RCNN一致。
Spatial Pyramid Pooling
在卷积层和全连接层之间加入金字塔池化层，使输出特征维度一致。实现见下图：将4*4、2*2、1*1三个网格放到特征图上，每个块提取一个特征，共21维特征，作为全连接层输入。
特征提取优化
原图一次卷积得到整张Feature map，然后找到候选框在Feature map上对应位置（卷积后尺寸有所变化，计算对应坐标）的映射patch，节省大量时间。
FRCNN（Fast RCNN，2015.4）
http://blog.csdn.net/shenxiaolu1984/article/details/51036677
http://blog.csdn.net/u010678153/article/details/46891655
最大改进在于将SVM分类器和区域修正的线性回归融入了神经网络，并共享特征。
Roi pooling layer
Roi pooling layer即single-level spp，仅取一个M×N的网格进行特征提取。作者实验发现使用多尺度的图像金字塔，性能有所提高，但不是很大，但速度要慢不少，因此只选了1层（预选区域投票的方法预选区域时已经将小目标选出来了，所有对浅层特征的需求相对较低，所以Fast RCNN把多尺度扔掉了；而SSD【单尺度多比例】和YOLOv2【聚类5个boxes】又把多层特征用上了，增强对小目标的检测）。
Multi-task loss
多任务损失：loss_cls分类损失（N类目标+1类背景）和loss_bbox回归损失（x，y方向缩放和偏移=4）。去掉svm分类，实验发现softmax性能较SVM略好。通过multi-task loss（两种损失求和）将区域修正的回归分类器放到了神经网络内部，作者实验发现，二者可共享卷积特征并相互促进。
其它改进细节
调优训练：min_batch(N=2张完整图像，选取R=128个候选框【IOU[0.5，1）为前景R中占比25%，[0.1，0.5）为背景，R中占比75%】)。另作者观点tuning-fine浅层没必要更新，可减少训练时间。
SVD：全连接层做SVD分解性能下降0.3%，可提速约30% 。
proposal：增加proposal个数对网络没有好处。
Faster RCNN（2015.6）
http://blog.csdn.net/shenxiaolu1984/article/details/51152614
http://blog.csdn.net/Seven_year_Promise/article/details/60954553
目的：a.将区域预选放到神经网络中，训练RPN（Region Proposal Network）网络；b.将RPN与识别修正神经网络相结合，且共用特征，将RPN放到Fast-RCNN中卷积层后面。总体来说就是用PRN网络代替Fast-RCNN中卷基层后输入的预选区域，有神经网络内部训练。
RPN
卷积得到Feature map（M×N），对每个特征点生成9个anchor（3种大小3种比例=9，此处anchor个数很多，先按规则选取【anchor样本选取规则：边界弃之，IOU（0.7，1）为前景，（0,0.3）为背景，[0.3,0.7]弃之】，再通过Non-Maximum Suppression减少后再分类回归，适用nms可能导致遮盖的同类物体无法被同时检出？），加一层conv+Relu，训练判断每个anchor是前景或背景的概率（二分类），以及anchor区域回归（x、y、w、h，4回归）。RPN是FCN全卷积网络。
anchor这个概念有很多限制，为什么是9个？大小和比例是否可以变更？
RPN和Fast-RCNN训练
轮流训练
a. 从W0开始，训练RPN。用RPN提取训练集上的候选区域
b. 从W0开始，用候选区域训练Fast RCNN，参数记为W1
c. 从W1开始，训练RPN…
具体操作时，仅执行两次迭代，并在训练时冻结部分层。
联合训练（公开代码用此方法训练，时间比上面减少20%-25%）
在backward计算梯度时，把提取的ROI区域当做固定值看待；在backward更新参数时，来自RPN和来自Fast RCNN的增量合并输入原始特征提取层。
四个损失函数
RPN Classification（anchor good|bad）
RPN regression（anchor → proposal）
Fast RCNN Classification(over classes)
Fast RCNN Classification(proposal → bbox)
Faster RCNN 中的RPN和fast RCNN网络特征共享，但仍然是两个网络。
YOLO（You Only Look Once,2015.6）
https://pjreddie.com/darknet/yolo/
https://www.cnblogs.com/fariver/p/7446921.html
http://blog.csdn.net/hrsstudy/article/details/70305791
https://zhuanlan.zhihu.com/p/24916786?refer=xiaoleimlnote
之前的方法（如RCNN，SPPNet，FastRCNN，FasterRCNN）都是先找到区域，再对区域内图像做识别。YOLO将物体检测作为一个回归问题处理，一个网络直接预测BBox坐标、是否包含物体和物体类别，检测速度很快，达到实时，但一代YOLO精度略低。
YOLO算法步骤：
将输入图像归一化到统一尺寸448 * 448；
GoogLeNet特征提取（1*1+3*3卷积替换Inception结构），网格预测 → BBox定位、物体识别；
NMS 过滤合并BBox。
网格预测
将图像分成S×S（7*7）个cell，每个cell负责检测中心落在该网格内的物体，且设定每个cell可预测B(2)个BBox。则YOLO网络负责a.预测S×S×2=98个BBox坐标（x，y，w，h）以及是否包含物体的概率 b.预测S×S=49个cell所属物体的概率，作者验证20个分类。则每个cell预测的数据维度=2×（4+1）+20 = 30，总回归数据维度=7×7×30。
每个bbox只负责一个object，一个cell生成两个bbox，这两个bbox是用来定位的，一个cell只表示一个object是指分类。不同bbox之间是会有交集的，作者认为相交部分的cell图像也只能属于一个分类（此处cell中可能是一个object将另一个遮挡，也可能是某一object占比大于另一个，就算各占一半也只表示一个object）。
为什么是7*7，因为最后特征尺寸就是7*7.
训练
特征提取网络改自GoogLeNet。
预训练分类：与RCNN系列一致，先在分类数据集上训练分类网络，便于后续应用网路卷积特征提取部分。预训练时输入为224*224，训练网络为前20层卷积+额外（average pooling layer+FC)。
训练检测：训练输入改为448*448（区域检测要求精度高...），修改模型=>GoogLeNet20层+4个卷积层+2FC(毕竟任务有所不同【分类->坐标回归+分类】，作者实验在预训练网络后加卷积层效果好，SSD对此处进行修改结合了不同分辨率的特征，增强了对小目标的检测能力)，执行检测训练。
损失
损失函数的设计宗旨：让坐标（x,y,w,h），confidence，classification 这个三个方面达到很好的平衡。
在训练时我们希望每个object（ground true box）只有一个bbox专门负责（一个object 一个bbox）。具体做法是与ground true box（object）的IOU最大的bbox 负责该ground true box(object)的预测。这种做法称作bounding box predictor的specialization(专职化)。每个预测器会对特定（sizes,aspect ratio or classed of object）的ground true box预测的越来越好。
坐标，w，h为何开方？因为对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏相同的尺寸对IOU的影响更大。目的思路是对的，但方法有待改进。另由于对bbox坐标预测更为重视，其位置便宜影响后续loss，因此赋予坐标较高权重。
置信度，归一化，然而大部分BBox没有目标，可能导致loss不平衡，因此引入，取0.5。
分类，作者设计每个cell只能同种物体。若格子中包含物体，希望预测正确的类别的概率越接近于1越好，而错误类别的概率越接近于0越好，。
另注：loss只是在训练时使用，是可以直接打上标签的。
测试
每个bbox 分类概率P（bbox）包含每个cell置信度和bbox分类概率，如下式：
依次对每个bbox进行上述操作，得到7*7*2=98个预测概率及对应坐标信息，设定阈值过滤掉低分值的bbox，然后对不同类别的bbox分别进行NMS处理，即得到最终结果。
缺点
一个网格中只预测了两个框，对相互靠的很近的物体，检测效果不好；
受限于7×7的网格限制，小尺寸目标检测不好；
损失函数坐标损失有待改进；
CNN固定尺寸输入。
YOLO v2（2016.12）
http://blog.csdn.net/jesse_mx/article/details/53925356
https://zhuanlan.zhihu.com/p/25052190
基于YOLO在网络结构上的改进得到YOLOv2，改进如下：
分类预训练与检测尺寸一致，都用448*448；
为增强对小目标的识别能力，减少了池化层，使feature map尺寸变大，则网格分辨率由7×7提升到13×13（446/2^5=14取13，必须用奇数，保证有一个cell可以看到中心的目标，13×2^5=416 将检测输入分辨率改为416×416）；增加特征级联操作，融合不同层的特征，提高网络对小目标检测效果。
加入BN，网络收敛更快；基础网络修改为darknet-19；修改为全卷积网络，可接收任意尺度输入，但在训练时每10轮（epochs）修改尺寸进行训练，最终特征图尺寸即为网格尺寸；
引入faster RCNN的anchors机制，将位置由全图回归转换为anchor位置修正（召回率上升，准确率有所下降，召回率增加可提高物体检出率，但太高计算成本太大，所以anchor个数选取很重要），每个cell设置anchor个数K（类似于YOLO中的B值）由2修改为5（作者针对voc和coco数据集离线聚类计算5最合适，且给出了每个anchor的值）；且根据faster RCNN 的anchors 损失修改对应的损失函数。
与SSD比较，小物体检测不如SSD，YOLOv2优点在于速度快，检测精度和准确度接近与SSD。
YOLO9000（2016.12）
https://www.leiphone.com/news/201708/7pRPkwvzEG1jgimW.html
基于YOLO在训练方法上的改进得到YOLO9000：可实时检测9418种物体，可以预测没有labelled的目标检测数据 。改进如下：
基于WordNet建立WordTree（标签树）综合ImageNet和COCO数据集，实现目标分类与检测的联合训练，得到YOLO9000。每个内部节点是一个softmax，其概率为路径上条件概率乘积；wordtree路径都有class loss。
网络简化到24层，输出特征17×17；每个cell 3个anchors；则输出17×17×（3×（4+1+9418））。
注意：个人理解，YOLO中每个cell输出维度=2×5+20=30，，20表示每个cell的分类；而YOLOv2中每个cell输出维度 = 5*(5+20) = 125，20表示cell对应的bbox的分类。
SSD（Single Shot MultiBox Detector，2015.12）
http://blog.csdn.net/u010167269/article/details/52563573#reply
引用faster-RCNN 的anchor boxes思想（高召回率带来的高精度），用YOLO的cell网格减少bbox密集度&&单网络检测提高了速度，借鉴DeepLab中的空洞卷积增大感受野，提出multi-scale方法（不同分辨率的特征负责不同尺度的目标检测），优化了anchor boxes的多尺度方法，是anchor的选择更加合理，也改进了YOLO对小目标检测差的缺陷，设计出SSD，基础网络是VGG-16。
最浅层38*38，尺寸大，每个特征点（cell）用3个boxes，其它layers都用6个。共预测38*38*3+（19*19+10*10+5*5+3×3+1*1）×6=7038个box
主要介绍一下几个改进（数据增强，空洞卷积不写了）如下：
Multi-scale
YOLO只利用最后一层feature-map 7*7，SSD用了6层分别预测，最浅层尺寸大，用了3个default boxes，其它层均用6个boxes，共7038个bboxes（不同层特征的分辨率不一致，选择不同大小的default boxes预测不同大小的目标），对每层特征加一个卷积层分别预测各层特征位置和分类。
尺寸公式：S_min取0.2，S_max取0.95。
Label
如何根据GT boxes给default boxes标记？YOLOv2应该是取IOU最大的一个进行标记，SSD 将IOU大于阈值（0.5）的 default boxes都进行配对标记（一个GT box可能与多个default box配对）。
LOSS
c每类的置信度，l是predict box，g是gt box，x表示l和g是否匹配（匹配为1，不匹配为0）.N是与GT box匹配个数，是softmax loss，位置损失，同fast-rcnn，权重a=1（与YOLO差别，YOLO只匹配一个，通过权重增加对位置预测的权重，而ssd多匹配同权重）。
Hard negative mining
无效boxes远大于有效boxes，导致难以收敛，选取无效boxes中confidence最高的，是正负box比例在1:3。
模型分析
数据增广、浅层特征对性能提升很大，增加default boxes效果更好，但达到一个个数后效果不是很明显，空洞卷积对检测效果有所提升，重要的是对速度提升很大。
RFCN（2016.5）
RFCN是基于faster-RCNN的一个改进。faster-RCNN用基础网络（ZFNet，ResNet）提取特征，roi pooling后分成两个网络，分别做目标定位和分类，后面用不同的全连接参数（参数多），且每个box单独跑网络（耗时），RFCN就是想解决这个问题，解决思路:改进roi pooling，把全连接（改为全卷积）操作全放在roi pooling前面共享，减少参数和计算量。
Roi pooling
http://blog.csdn.net/baidu_32173921/article/details/71741970
resnet101卷积得到feature maps（W×H×1024），后面接卷积层（C=类别 ，k=3），输出，即每个类9个位置的feature map（一个位置每个类一张feature map），表示每个点属于9个不同方位的概率。基于此特征进行Roi pooling，也是一个SPP结构，用一个3*3的网格池化ROI内的特征。最后softmax等到每类最终得分。
Roi pooling方法如下图：将ROI分成一个3*3的网格，每个格子分别对应到9张feature map中，取网格内的平均值，输出3*3*(C+1)。充分利用位置信息，挺好的想法，但感觉不太好训练回归。
loss与faster rcnn类似。
样本选取：对负样本loss排序，选取loss较小的，是正负样本更加平衡。
为什么要用3*3的位置？作者测试用1×1效果不好。不排除用别的，物体结构？4*4+3*3？
其它-NMS convnet
http://blog.csdn.net/elaine_bao/article/details/50458463
上述方法中都是选取目标box分类后，再用传统NMS合并，当同类目标靠的很近时，可能将目标合并（取决于score和IOU阈值），有人做过NMS 卷积网络，若把NMS也合并到Object Detection 的神经网络就好了，但还不成熟，据说该链接文章被拒，没看。。。
Object Detection和Semantic Segmentation在深度学习中方法上的区别：目标检测直接在缩小的feature-map上进行目标预测和分类，语义分割相对而言要求更加精确，将特征上采样到原尺寸后再进行point分类预测；由于目标大小不一，所以二者都会使用浅层特征提高对小目标的识别效果，目标检测不需要融合浅层和深层特征，预测完成后可用NMS合并，而语义分割结合浅层和深层特征后对每个点进行预测分类，再用CRF优化分类（感觉上最后这一部分二种方法是可以结合起来的）。
疑问？？深层和浅层提取特征除分辨率、感受野上差距外的不同？是否特征类型相似？？