文章目录
-
- [1. 目标检测算法分类](#1. 目标检测算法分类)
- [2. 区域卷积神经网络](#2. 区域卷积神经网络)
-
- [2.1 R-CNN](#2.1 R-CNN)
- [2.2 Fast R-CNN](#2.2 Fast R-CNN)
- [2.3 Faster R-CNN](#2.3 Faster R-CNN)
- [2.4 Mask R-CNN](#2.4 Mask R-CNN)
- [2.5 速度和精度比较](#2.5 速度和精度比较)
- [3. 单发多框检测（SSD）](#3. 单发多框检测（SSD）)
- [4. YOLO](#4. YOLO)
1. 目标检测算法分类
目标检测算法主要分两类：One-Stage与Two-Stage。One-Stage与Two-Stage是两种不同的思路，其各有各的优缺点。
One-Stage
主要思路：直接通过卷积神经网络提取特征，预测目标的分类与定位；
Two-Stage
主要思路：先进行区域生成，即生成候选区域（Region Proposal），在通过卷积神经网络预测目标的分类与定位；
优缺点
| 优缺点 | One-Stage | Two-Stage |
|---|---|---|
| 优点 | 速度快；避免背景错误产生false positives； 学到物体的泛化特征 | 精度高(定位、检出率)；Anchor机制；共享计算量 |
| 缺点 | 精度低(定位、检出率)；小物体的检测效果不好 | 速度慢；训练时间长；误报相对高 |
从目前看，在移动端一般使用 One-Stage算法。现在很难说，精度和准确率的问题，因为影响因素不仅仅取决于算法，还跟数据集大小、图像标注质量、训练参数等有很大的关系。
主要算法
One-Stage：YOLO系列（v1-v8），SSD系列（R-SSD、DSSD、FSSD等），Retina-Net，DetectNet，SqueezeDet。
Two-Stage：RCNN系列（Fast-RCNN、Faster-RCNN、Mask-RCNN），SPPNet，R-FCN。
2. 区域卷积神经网络
2.1 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偏移框。
当锚框每次选择的大小不同，我们如何使这些锚框称为一个batch呢？
兴趣区域（ROI）池化层
ROI Pooling
- 给定一个锚框，均匀分割成 n × m \ n\times\ m n× m块，输出每块里的最大值
- 不管锚框多大，总是输出 n m nm nm个值
2.2 Fast R-CNN
对图片整体抽取特征。
- 不再对每一个锚框做CNN的特征抽取，而是对图片整体使用CNN进行特征抽取
- 使用RoI池化层对每个锚框生成固定长度特征
2.3 Faster R-CNN
- 使用一个区域提议网络来代替启发式搜索，来获得更好的锚框。
2.4 Mask R-CNN
- 如果有像素级别的标号，使用FCN来利用这些信息
- 在无人车领域运用较多
在做像素级别预测时，边界位置不要发生太多的错位。
2.5 速度和精度比较
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是在最求高精度场景下的常用算法
3. 单发多框检测（SSD）
SSD全称Single Shot Multibox Detector，是一种单阶段目标检测器。其优点是原始的YOLO和Faster R-CNN在推理速度和精度之间取得了更好的平衡。SSD模型是由Wei Liu等人在使用卷积神经网络（CNN）进行目标检测的研究中，提出的一种改进思路。
SSD用于图像分类、物体检测和语义分割等各种深度学习任务。相对于其他目标检测算法，SSD模型有更高的精度，而且速度也是非常快的。其主要思路是通过在CNN的最后几层添加多个预测层实现多尺度的目标检测，然后通过一个过滤策略对每个检测框进行筛选，最后输出最终的检测结果。
生成锚框
- 对每个像素，生成多个以它为中心的锚框
- 给定n个大小为 s 1 , s 2 , . . . , s n s_1,s_2,...,s_n s1,s2,...,sn和 m m m个高宽比，那么生成 n + m − 1 n+m-1 n+m−1锚框，其大小和高宽比分别为：
( s 1 , r 1 ) , ( s 2 , r 1 ) , . . . , ( s n , r 1 ) , ( s 1 , r 2 ) , . . . , ( s 1 , r m ) (s_1,r_1),(s_2,r_1),...,(s_n,r_1),(s_1,r_2),...,(s_1,r_m) (s1,r1),(s2,r1),...,(sn,r1),(s1,r2),...,(s1,rm)
SSD模型
- 一个基础网络来抽取特征，然后多个卷积层块来减半高宽
- 在每段都生成锚框
- 底部段来拟合小物体，顶部短来集合大物体
- 对每个锚框预测类别和边缘框
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
- 在多个段段输出上进行多尺度的检测
4. YOLO
You Only Look Once
YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎。
Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。
yolo尽量让锚框不重叠。
- 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 S\times S S×S个锚框
- 每个锚框预测 B B B个边缘框
- 后续版本（V2，V3，V4...）有持续改进
YOLO家族进化史（V1-V8）
- YOLOv1
- YOLOv2：对YOLOv1进行改进
- YOLOv3：对YOLOv2进行改进
- YOLOv4：对YOLOv3进行改进
- YOLOv5：对YOLOv4进行改进
- YOLOx：以YOLOv3作为基础网络进行改进
- YOLOv6：由美团推出，更加适应GPU设备，算法思路类似YOLOv5（backbone+neck）+YOLOX（head）
- YOLOv7：是YOLOv4团队的续作，检测算法与YOLOv4，v5类似
- YOLOv8：是YOLOv5团队进一步开发的