目标检测算法整理（简洁版）

目录

完整版链接

如果想要详细的了解深度学习在目标检测上的应用，可以戳
https://www.cnblogs.com/gujianhan/p/6035514.html

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

区域提名方法

• 滑动窗口：穷举法，不同的尺度和长宽比窗口。
• 规则块：选用固定的大小和长宽比，在特定场景中比较有效。
• 选择性搜索：自底向上不断合并候选区域的迭代过程。

有区域提名算法

OverFeat(2013)

1. 滑动窗口进行区域提名
2. 多尺度滑动窗口增加检测数量
3. 回归模型预测每个对象的位置
4. 边框合并

创新点： OverFeat是CNN用来进行目标检测的早期工作，主要思想是多尺度滑窗进行分类、定位和检测。

R-CNN

1. 区域提名：选择性搜索
2. 区域大小归一化：resize
3. 特征提取：CNN
4. 分类和回归：识别、微调边框位置

创新点： 将overfeat的多尺度滑窗换成选择性搜索.

Fast R-CNN

Fast R-CNN用到了SPP-net的思想，来解决R-CNN的crop和wrap导致物体不全或拉伸的问题。

SPP-net： 在卷积层和全连接层之间加入SPP layer，此时网络的输入可以是任意尺度的，在SPP layer中每一个pooling的filter会根据输入调整大小，而SPP的输出尺度始终是固定的。

解决问题： R-CNN在对区域提名进行特征提取时会有重复计算部分，Fast R-CNN修正了这个问题。

1. 特征提取：以整张图片作为输入
2. 区域提名：从原始图片进行区域提名，然后把候选框投影到特征层
3. 区域归一化：简化的SPP层——ROI池化层
4. 分类和回归

Fster R-CNN

解决问题： Fast R-CNN使用的是选择性搜索进行区域提名，速度仍不够快。

创新点： 使用RPN网络。RPN网络以一张任意大小的图片为输入，输出一批矩阵区域提名，每个区域对应一个目标分数和位置信息。

1. 特征提取
2. 区域提名：RPN
3. 区域判定和回归：对每个矩形框进行二分类（是否有object），并用k个回归模型微调边框位置和大小。
4. 分类与回归

R-FCN

创新点： 去除了最后的全连接层，使用了ResNet。

1. 区域提名：RPN
2. 分类和回归

无区域提名算法

YOLO

1. 把输入图片缩放到448x448
2. 运行卷积网络
3. 对模型置信度卡阈值，得到目标位置及类别。

SSD

特点：

1. 从YOLO中继承了将detection转化为regression的思路，同时一次即可完成网络训练
2. 基于Faster RCNN中的anchor，提出了相似的prior box；
3. 加入基于特征金字塔（Pyramidal Feature Hierarchy）的检测方式，相当于半个FPN思路

**已被YOLO9000超越**1