【动手学深度学习】week 10 | R-CNN，SSD，YOLO

R-CNN

• 使用启发式搜索算法来选择锚框
• 使用预训练模型来对每个锚框抽取特征
• 训练一个SVM来对类别分类
• 训练一个线性回归模型来预测边缘框偏移

兴趣区域（RoI）池化层
把一个锚框分割为n×m块，输出每块里面的最大值，这样无论锚框多大，总是输出nm个值。RoI主要是为了解决锚框大小不同的问题，使得锚框可以被pooling成固定大小的，可以做一个batch的处理。

Faster RCNN

将图片变成一个特征图，再变成一个特征向量，在特征上对应锚框。这样的CNN不是对每个锚框抽取特征，而是对整个图片抽取特征，避免了上千次的锚框抽取特征。

• 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的特征
  

Faster RCNN

• 使用区域建议网络 RPN来替代启发式搜索算法来获得更好的锚框，RPN相当于是一个比较粗的目标检测，整体相当于有两个stage，速度相对还是比较慢。
• Faster RCNN精度非常高，但是速度较慢
  

Mask R-CNN

• 如果有像素级别的编号（语义分割），使用FCN全卷积神经网络来利用这些信息。
• RoI变成了align，无法整除的就直接把像素切开
  

小总结：
RCNN是最早、最有名的基于锚框的方法；Faster RCNN和Mask RCNN主要用在高精度场景下，Mask RCNN在无人车中用的比较多。

单发多框检测（SSD Single Shot Detection）

SSD是single stage的网络（和Faster RCNN区分）。

• 首先使用一个基础网络来抽取特征，然后用多个卷积层来减半高宽
• 在每个阶段（多尺度）都生成锚框（每个像素为中心生成多个锚框），底部的段用来拟合小物体，顶部的段用来拟合大物体
• 对每个锚框都取预测类别和边缘框
  
  SSD速度相对比较快，但精度不够高，但是网络简单，启发了后续的一系列网络。

YOLO

YOLO从SSD发展而来，SSD中有大量锚框重叠，浪费了很多计算，YOLO把图片均匀分成S×S个锚框，每个锚框预测B个边缘框（解决一个框中有多个种类的物体的问题）。

YOLO V3的精度没有那么高，但是一些trick的使用可以提高它的精度。