1 背景介紹

目標檢測，object detection，就是在給定的圖片中精確找到物體所在位置，并標注出物體的類別。

目標檢測要解決的問題有兩個：物體在哪里，物體是什么的整個流程問題。

目標檢測問題的難點：物體的尺寸變化范圍很大；擺放物體的角度，姿態(tài)不定；而且可以出現(xiàn)在圖片的任何地方；物體還可以是多個類別。

目前主要算法分兩類：1) 候選區(qū)域/框 + 深度學習分類；2) 基于深度學習的回歸方法

目標檢測中有很大一部分工作是做圖像分類。對于圖像分類，不得不提的是2012年ImageNet大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC）上，機器學習泰斗 Geoffrey Hinton 教授帶領學生Krizhevsky使用卷積神經(jīng)網(wǎng)絡將ILSVRC分類任務的Top-5 error降低到了15.3%，而使用傳統(tǒng)方法的第二名 top-5 error高達 26.2%。

此后，卷積神經(jīng)網(wǎng)絡CNN占據(jù)了圖像分類任務的絕對統(tǒng)治地位。

2 候選區(qū)域+深度學習

通過提取候選區(qū)域，并對相應區(qū)域進行以深度學習方法為主的分類的方案，如：

2.1 R-CNN（Selective Search + CNN + SVM）

先找出圖中目標可能出現(xiàn)的位置，即候選區(qū)域（Region Proposal）。

利用圖像中的紋理、邊緣、顏色等信息，可以保證在選取較少窗口(幾千甚至幾百）的情況下保持較高的召回率（Recall）。

有了候選區(qū)域，剩下的工作實際就是對候選區(qū)域進行圖像分類的工作（特征提取+分類）。

2014年，RBG（Ross B. Girshick）使用 Region Proposal + CNN代替?zhèn)鹘y(tǒng)目標檢測使用的滑動窗口+手工設計特征，設計R-CNN框架，使得目標檢測取得巨大突破，并開啟了基于深度學習目標檢測的熱潮。

R-CNN的簡要步驟如下

輸入測試圖像

利用選擇性搜索Selective Search算法在圖像中從下到上提取2000個左右的可能包含物體的候選區(qū)域Region Proposal

因為取出的區(qū)域大小各自不同，所以需要將每個Region Proposal縮放（warp）成統(tǒng)一的227x227的大小并輸入到CNN，將CNN的fc7層的輸出作為特征

將每個Region Proposal提取到的CNN特征輸入到SVM進行分類

R-CNN 存在一個較大的問題：R-CNN雖然不再像傳統(tǒng)方法那樣窮舉，但R-CNN流程的第一步中對原始圖片通過Selective Search提取的候選框region proposal多達2000個左右，而這2000個候選框每個框都需要進行CNN提特征+SVM分類，計算量很大，導致R-CNN檢測速度很慢，一張圖都需要47s。

2.2 SPP-net（ROI Pooling）

SPP：Spatial Pyramid Pooling（空間金字塔池化）

SPP-Net是出自2015年發(fā)表在IEEE上的論文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》

2.3 Fast R-CNN（Selective Search + CNN + ROI）

Fast R-CNN就是在R-CNN的基礎上采納了SPP Net方法，對R-CNN作了改進，使得性能進一步提高。

與R-CNN框架圖對比，可以發(fā)現(xiàn)主要有兩處不同：一是最后一個卷積層后加了一個ROI pooling layer，二是損失函數(shù)使用了多任務損失函數(shù)(multi-task loss)，將邊框回歸Bounding Box Regression 直接加入到CNN網(wǎng)絡中訓練。

Fast-RCNN 很重要的一個貢獻是成功的讓人們看到了 Region Proposal + CNN 這一框架實時檢測的希望，原來多類檢測真的可以在保證準確率的同時提升處理速度，也為后來的Faster R-CNN做下了鋪墊。

2.4 Faster R-CNN（RPN + CNN + ROI）

https://arxiv.org/pdf/1506.01497.pdf

Fast R-CNN存在性能瓶頸：選擇性搜索，找出所有的候選框，也非常耗時。能不能找出一個更加高效的方法來求出這些候選框呢？

解決方法：加入一個提取邊緣的神經(jīng)網(wǎng)絡，也就說找到候選框的工作也交給神經(jīng)網(wǎng)絡來做。

以上四種算法都基于region proposal的R-CNN系列，是目標檢測技術領域主要的一個分支。

3 基于深度學習的回歸方法

3.1 YOLO1

YOLO，全稱：You Only Look Once

以上介紹的 R-CNN 系列很難滿足實時性的要求。YOLO一類的方法慢慢顯現(xiàn)出其重要性，這類方法使用回歸的思想，利用整張圖作為網(wǎng)絡的輸入，直接在圖像的多個位置上回歸出這個位置的目標邊框，以及目標所屬的類別。

YOLO將目標檢測任務轉(zhuǎn)換成一個回歸問題，大大加快了檢測的速度，使得 YOLO 可以每秒處理45 張圖像。而且由于每個網(wǎng)絡預測目標窗口時使用的是全圖信息，使得false positive比例大幅降低（充分的上下文信息）。

但是YOLO也存在問題：沒有了Region Proposal機制，只使用7*7的網(wǎng)格回歸會使得目標不能非常精準的定位，這也導致了YOLO的檢測精度并不是很高。

3.2 YOLO2

https://arxiv.org/pdf/1612.08242.pdf

YOLOv2 相對v1版本，在繼續(xù)保持處理速度的基礎上，從預測更準確（Better），速度更快（Faster），識別對象更多（Stronger）這三個方面進行了改進。其中識別更多對象也就是擴展到能夠檢測9000種不同對象，稱之為YOLO9000。

YOLO v2 代表著比較先進的物體檢測水平，在多種監(jiān)測數(shù)據(jù)集中都要快過其他檢測系統(tǒng)，并可以在速度與精確度上進行權(quán)衡。

3.3 YOLO3

https://pjreddie.com/media/files/papers/YOLOv3.pdf

YOLO v3的模型比之前的模型復雜了不少，可以通過改變模型結(jié)構(gòu)的大小來權(quán)衡速度與精度。

速度上，YOLOv3 在實現(xiàn)相同準確度下要顯著地比其它檢測方法快。

改進之處：

1).多尺度預測 （類FPN）

2).更好的基礎分類網(wǎng)絡（類ResNet）和分類器 darknet-53,見下圖。

3). 分類器-類別預測：

YOLOv3不使用Softmax對每個框進行分類，主要考慮因素有兩個：

a. Softmax使得每個框分配一個類別（score最大的一個），而對于Open Images這種數(shù)據(jù)集，目標可能有重疊的類別標簽，因此Softmax不適用于多標簽分類。

b. Softmax可被獨立的多個logistic分類器替代，且準確率不會下降。

分類損失采用 binary cross-entropy loss

多尺度預測

每種尺度預測3個box, anchor的設計方式仍然使用聚類,得到9個聚類中心,將其按照大小均分給3中尺度.

尺度1: 在基礎網(wǎng)絡之后添加一些卷積層再輸出box信息.

尺度2: 從尺度1中的倒數(shù)第二層的卷積層上采樣(x2)再與最后一個16x16大小的特征圖相加,再次通過多個卷積后輸出box信息.相比尺度1變大兩倍.

尺度3: 與尺度2類似,使用了32x32大小的特征圖.

4 總結(jié)

最后總結(jié)兩類算法的不同：

RCNN， Fast-RCNN，F(xiàn)aster-RCNN是基于深度學習的分類方法。

YOLO系列是基于深度學習的回歸方法。

本文是我業(yè)余時間學習目標檢測的一篇整理文章，希望對目標檢測入門者有一定幫助。