【动手学】44 物体检测算法：R-CNN，SSD，YOLO

1、 R-CNN

• 使用启发式搜索算法来选择锚框，如 selective search
• 使用预训练模型来对每个锚框抽取特征
• 训练一个SVM对类别分类 【深度学习之前常使用】
• 训练一个线性回归模型来预测边缘框偏移

[思考]怎么样使得产生的不一样大小锚框形成 一个batch？

兴趣区域（RoI）池化层

• 给定一个锚框，均匀分割成n×m块，输出每块里最大值
• 不管锚框多大，输出总为nm个值
  

Fast RCNN

• 使用CNN对图片抽取特征
• 使用RoI池化层对每个锚框生成固定长度特征
  

【思考】这里主要是简化计算量，将图像全部区域抽取特征后，在特征层上使用selective search的方法生成锚框，通过RoI池化将锚框整合成相同大小的向量的batch。其中减小的计算量主要是锚框重合区域提取特征的开销。

Faster R-CNN

• 使用一个区域提议网络（RPN）来替代启发式搜索（selective search）来获得更好的锚框
  

Mask R-CNN

• 如果有像素级的标号，使用FCN来利用这些信息
• RoI Pooling 变成 RoI Align
  

【说明】RoI Pooling在像素不能平分的情形做分割任务会有较大误差，使用RoI Align 将像素级别通过加权的方式平分共用像素；也就是说，align 没有暴力取整，保留浮点位置，并使用双线性插值，提升精度

【】有像素级标签的网络模型中添加FCN就能做语义分割。

模型进度对比

总结

• R-CNN 是最早、也是最有名的一类基于锚框和CNN的目标检测算法
• Fast、Faster R-CNN持续提升性能
• Faster R-CNN 和Mask R-CNN是在追求高精度场景下常用算法

SSD（单次多框检测）

• 对每个像素，生成多个以它为中心锚框
• 给定n个大小s1，s2…,sn 和m个高宽比，那么生成n+m-1个锚框，其中大小和宽高比分别为：(s1,r1),(s2,r1)…(sn,r1),(s1,r2)…(s1,rm)
  

SSD 模型

• 一个基础网络来抽取特征，然后多个卷积层来减半高宽
• 在每段都生成锚框
  • 底部段生成锚框来检测小物体，顶部段来检测大物体
    -对每个锚框预测类别和边缘框
    

【思考】生成100万个锚框，速度还能达到这么快，不过精度不是很高。主要出现的很早。相对R-CNN简单

总结

• SSD 通过单神经网络来检测模型
• 以每个像素为中心的产生多个锚框
• 在多个段的输出上进行多尺度的检测

YOLO（只看一次）

• SSD中锚框大量重叠，因此浪费了很多计算
• YOLO将图片均匀分成S×S个锚框
• 每个锚框预测B个边缘框
• 后续有持续版本改进