经典物体检测框架，Faster RCNN、SSD、YOLO以及扩展

经典物体检测框架

---

前言

这篇文章是我本人看完三大经典物体检测框架后的一些总结

---

一、二阶检测器Faster RCNN

Faster RCNN发表与NIPS 2015，相比之前的RCNN，在精度和速度上都有了很大的提升，在VOC２2012测试集上实现了70.04%的检测结果，主要思路是Anchor的逐层递减。
　　Faster RCNN的优点如下：
　　１.性能优越：和一阶的网络相比，二阶网络更为精准，在多尺度、高精度和小物体的问题上，两阶网络优势更为明显。
　　２.通用性与鲁棒性：在多个数据集和物体检测任务上表现良好
　　３.可优化点多：有很大的算法优化空间
　　Faster RCNN的缺点如下：
　　１.不利于小物体检测：单层特征图和小分辨率导致其对小物体的检测上有明显的不足
　　２.遮挡物体识别不佳：使用NMS对遮挡物体不友好，属于两个物体的proposal可能因为NMS的过滤而只留下一个
　　３.RoI Pooling取整：两次的取整导致精度损失
　　４.全连接：使用全连接网络导致参数量大

根据Faster RCNN改进的算法

１.HyperNet：2016的CVPR上发表，将浅、中、深三层特征进行融合，提升了检测的精度。主要优点：检测精度进一步提升，特征细节丰富，有利于检测小物体，没有冗余计算。
２.Mask RCNN：2017的ICCV何凯明大神提出，同时兼顾物体检测与实例分割。主要优点：采用ResNet和RoI Align，在多尺度和小物体的检测上优势明显，增加了Mask分支来对每一个像素进行预测
３.R-FCN：采用ResNet-101作为backbone，去掉了全连接层，采用全卷积。主要优点：速度快，检测效果更好。
４.Cascade　RCNN：发表于2018年的CVPR，级联多个检测器以优化结果，每个检测器都有不同的IoU阈值。主要优点：在多个数据集上精度都有明显的提升。

二、单阶检测器

单阶检测器的主要优点就是速度快

1.SSD

借鉴了Faster RCNN和YOLO的思想，在检测的精度和速度上都有一定的提升，是一个优雅高效的检测网络。SSD以VGGNet为基础网络，增加了几个卷积层，利用3*3的卷积核在６个特征层上进行预测，得到预选框的分类于回归预测值，直接得出结果。
　　SSD的优点如下：
　　１.数据增强：经过光学变换和几何变换两个过程，此部分给mAP带来了８.８％的提升
　　２.使用两个卷积层代替VGG16的全连接层
　　３.使用浅层特征检测小物体，深层特征检测大物体
　　４.检测速度超同时期的YOLO
　　５.网络优雅简单，方便后续的改善工作
　　SSD的缺点如下：
　　１.由于浅层的语义信息不足，对小物体的检测一般
　　２.Prior Box的大小依赖于人工设置
　　３.在一些要求高精度的场景下表现不佳

根据SSD改进的算法

１.DSSD：将深浅特征图融合，采用的是逐元素相乘。提升了浅层特诊的语义信息，在小物体检测方面的性能有不少提升。
２.RSSD：尝试了３种深浅特征融合方法：池化融合、反卷积融合、彩虹式融合，效果也是在小物体检测上的提升。
3 .RefineDet：这是基于SSD的二阶检测器，对预选框进行两次优化，结合了Faster RCNN、SSD、FPN的优点，在高效的前提上实现了更高精度的检测，并且提升了小物体检测的效果。
4. RFBNet：使用空洞卷积，将多感受野结合，实现了较好的检测性能和较快的速度。

2.YOLO

YOLO系列的检测器以速度快著称，应用广泛，实时化效果特别好。
YOLO v1算法利用回归的思想，直接完成了分类与位置定位，速度极快，v2和v3在精度和速度上进一步提升。去年发布的v4和v5（非官方）更是将速度提升到了另一个档次。
YOLO v2网络采用全新的DarkNet网络，并且设置了一定数量的先验框（YOLO v1 没有），并且移除全连接层，添加了特征融合，使得其性能得到了不错的提升。不过其没有解决小物体检测的问题，并且后续改进和扩展的空间不足。
YOLO v3改进了网络结构、网络特征和后续计算，采用了残差模块，能够进行多尺度预测，对小物体的检测也有一定提升。不过v3的速度并没有前两个快。
YOLO v4采用马赛克数据增强方法，使得精度的到不小的提升。
YOLO v5也在20年的中旬发布，成为当下最火热的目标检测器

---

总结

这是本人的第一篇博客，不足之处希望大家在评论区指出。