Object Detection方法汇总

传统方法：

传统的目标检测使用滑动窗口的框架，把一张图分解成几百万个不同位置不同尺度的子窗口，针对每个子窗口，使用分类器判断是否包含目标物体。传统方法针对不同类别的物体，一般会设计不同的特征和分类算法。比如：

>> 人脸检测（face detetion）的经典算法是Haar特征 + Adaboost分类器

>> 行人检测的经典算法是Hog（histogram of gradients）+ SVM（support vector machine）

>> 一般性物体的检测时Hog + DPM（deformable part model）

基于深度学习的方法：

预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上（采用CNN）提取特征，进行判断。这类算法以RCNN系列为主，包括RCNN、fast RCNN、faster RCNN等。算法的大致流程为：

1. 候选区域：从待检测的图片中，提取出N个ROI，这里N远大于图片中真实object的个数。具体的方法有selective search、edge box以及最近流行起来的RPN。
2. 特征提取：根据1中检测到的ROI，上CNN对图像进行feature extraction。
3. 类别判断：对2中得到的feature进行分类，比如对于PSACAL VOC数据，就是一个21分类的问题（20个object class+background）。
4. 位置精修：boudningbox regression。

其他方法：

端到端（end-to-end）的物体检测，例如YOLO（you only look once）和SSD（single shot multiBox Detector）。这俩算法号称和faster RCNN精度相似但速度更快。

Google 在2016年下半年出了一篇paper，详细比较了Faster R-CNN、R-FCN和SSD的各个性能指标，还是很值得一读的。Speed/accuracy trade-offs for modern convolutional object detectors

上图即来自于Google的论文。一个比较粗略的结论是：第一类框架（Faster R-CNN）的性能会更好，但是速度较慢；而第二类框架（SSD）的性能略微逊色，但是速度较快。