基于深度学习的目标检测(综述)
综述（基于深度学习的目标检测）
目录
- 综述
- 1、主流算法
- two-stage检测算法
- 1.基本流程
- one-stage检测算法
- 2.基本流程
- 算法综述
- 2、数据集
- pascal voc数据集
- imagenet数据集
- ms coco数据集
- 3、目标检测算法网络
- 1. R-cnn
- 2. Fast R-CNN
- 3.Faster R-CNN
- 总结
综述
1、图像分类和图像检测还有图像分割是计算机视觉的三大任务，图像分类模型含义就是把图像类别进行划分，就是识别图像的内容是什么。但是值得注意的是现实什么中的图像不单单只有一个图像，而是可能包含很多的信息，这样的话我们图像分类就会有自己的弊端，他只会把目标最大概率的图像进行进行分类，而忽略了其他的信息，这样得到的信息是不完整的，不准确的。对于这种情况，势必会采用一种全新的方式来进行我们图像的识别，这就是-----目标检测，通俗点说就是在一张图像里面，进行图像的内容的多分类识别，例如现实生活中的自动行驶汽车等等。。。。。。。。
1、主流算法
two-stage检测算法
1.基本流程
生成目标的候选区域，然后进行目标区域的划分分类，典型算法有基于region proposal的R-CNN系算法，如R-CNN，Fast R-CNN，Faster R-CNN等。
one-stage检测算法
2.基本流程
这个的流程就不行two-stage算法，要经过region proposal阶段，直接产生物体的类别概率和位置坐标值，典型算法有yolo和sdd。
算法综述
目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。一般情况下，two-stage算法在准确度上有优势，而one-stage算法在速度上有优势。
2、数据集
目标检测的数据集合我们常用的包括PASCAL VOC，ImageNet等数据集，这些数据集用于研究人员来研究和进行算法竞赛。下面进行介绍。
pascal voc数据集
这个数据集包括的计算机视觉三个方面的任务的著名数据集合，但是他的数据类别是20个类别，一般作为目标检测问题的一个基础数据集合，
imagenet数据集
这是包括边界框的目标检测数据集，他的训练集包含500000张图像，有200个类别。他的数据集合非常的大，这就导致了他的数据集合的训练时间很长，分类的列别数也很大，这就导致了训练的难度是非常大的，因为这些弊端导致了目标检测的难度是很大的。
ms coco数据集
这个数据集合是microsoft公司提出的，他可以应用在视觉三大任务和标题检测、关键点检测。对于我们的目标检测问题，它包含了80个类别，每年大赛的训练和验证数据集包含超过120,000个图片，超过40,000个测试图片。
3、目标检测算法网络
1. R-cnn
r-cnn 这个网络是基于region proposal方法的目标检测算法系列的开山之作，他首先是对图像进行区域搜索，然后对候选区域进行分类。在R-CNN中，选用selective search方法来生成候选区域，这属于一种启发式搜索算法。先是通过简单的区域划分呢算法将图像划分为很多小区域，然后通过层级分组方法按照一定相似度合并他们，最后的剩下的就是候选区域，他们可能包含一个物体。
2. Fast R-CNN
Fast R-CNN 的提出是来解决候选区域使用cnn模型特征向量所消耗的时间，其主要借鉴了spp-net的思想。在r-cnn网络中，他的每个候选区域使用都要单独的送入css模型计算特征向量，这是非常消耗时间的，而对于fast r-cnn，他的cnn输入的整个的图像特征，然后结合RoIs（Region of Interests）pooling和elective Search的方法从CNN得到的特征图中提取各个候选区域的所对应的特征，
Fast R-CNN与R-CNN的另外的一个主要区别点是采用了softmax分类器而不是SVM分类器，而且训练过程是单管道的，因为Fast R-CNN将分类误差和定位误差合并在一起训练，定位误差采用smooth L1 而不是R-CNN中的L2。
3.Faster R-CNN
对于Fast R-CNN，其仍然需要selective search方法来生产候选区域，这是非常费时的。为了解决这个问题我们在这里引入了Faster R-CNN的概念，他是采用了RPN直接产生候选区域,Faster R-CNN可以看成是RPN和Fast R-CNN模型的组合体，即Faster R-CNN = RPN + Fast R-CNN。对于RPN网络，先采用一个CNN模型（一般称为特征提取器）接收整张图片并提取特征图。然后在这个特征图上采用一个 N x N 的滑动窗口，对于每个滑窗位置都映射一个低维度的特征（如256-d）。然后这个特征分别送入两个全连接层，一个用于分类预测，另外一个用于回归。对于每个窗口位置一般设置 K个不同大小或比例的先验框（anchors, default bounding boxes），这意味着每个位置预测 K 个候选区域（region proposals）。对于分类层，其输出大小是 2K ，表示各个候选区域包含物体或者是背景的概率值，而回归层输出 4K 个坐标值，表示各个候选区域的位置（相对各个先验框）。对于每个滑窗位置，这两个全连接层是共享的。因此，RPN可以采用卷积层来实现：首先是一个 **N X N ** 卷积得到低维特征，然后是两个 1 X 1 的卷积，分别用于分类与回归。
Faster R-CNN模型采用一种4步迭代的训练策略：（1）首先在ImageNet上预训练RPN，并在PASCAL VOC数据集上finetuning；（2）使用训练的PRN产生的region proposals单独训练一个Fast R-CNN模型，这个模型也先在ImageNet上预训练；（3）用Fast R-CNN的CNN模型部分（特征提取器）初始化RPN，然后对RPN中剩余层进行finetuning，此时Fast R-CNN与RPN的特征提取器是共享的；（4）固定特征提取器，对Fast R-CNN剩余层进行finetuning。这样经过多次迭代，Fast R-CNN可以与RPN有机融合在一起，形成一个统一的网络。
总结
这是一个对于目标检测算法的综述，我们能从里面了解到目标检测的基础知识。
这是个人的一个学习总结，有错误请联系作者，谢谢。