一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD

模块：

• 提取物体区域 Region Proposal
• 对区域进行分类识别 Classification

R-CNN

论文翻译
R → Region （2014 AlexNet）
区域建议：Selective Search 也用的是DNN方法
Bounding Box Regression：细化SS给出的外接矩形

• ss获取区域
• bounding box 膨胀 16像素 并且scale到 227 x 227
• AlexNet Fc7 (即第二个全连接层) 作为特征输出 (4096D) （需要fine tune）
• 每个分类都是一个线性SVM二分类器
• BBR 基于Conv5的输出特征， 一个分类一个回归模型

训练第一阶段：训练CNN

一般拿ImageNet上训练好的CNN模型参数作为pre-train（尤其是conv层，特征提取基本成型）
然后用SS生成的区域做 fine tune

AlexNet最后一个Softmax层是1000D，要改成实际数据集物体分类数量 + 1 （一个是背景类）

正样本 ： IoU>0.5 BB与ground truth的重合度
负样本：IoU<0.5

训练第二阶段：训练分类器

在FC7的基础上训练SVM分类器 （之后会用其他分类器，所以不用详细展开了）
Hinge loss
正样本： 所有 ground truth区域
负样本 IoU < 0.3

训练第三阶段： Bounding Box Regression

conv5的输出作为输入
对框进行微调，来提升bounding-box的IoU

bbr

其中P是原始proposal，G是Ground Truth，G拔是找到映射之后矫正得到的窗口。因此更加直接地说，我们就是要找到一种映射关系，来出一个G拔。

测试阶段

• SS
• 227 x 227
• fc7 → 分类器 → 输出类别
• 每个分类下的区域做非极大值抑制 （所有区域分值从大到小排列，提出与最大分值区域IoU>0.5的区域）
• conv5 → bbr → bbr偏差
• 修正区域

性能评价

每个分类计算AP，然后取均值
AP是准确-召回曲线下的面积

速度很慢，测试时间几十秒，训练时间84小时

问题：卷积特征重复计算量太大，每张图片的2000+区域都会计算CNN特征

SPP-Net

SPPNet详解
共享卷积计算，直接输入整图

conv5之后引入空间金字塔池化 Spatial Pyramid Pooling ，为不同尺寸的区域隐射到尺寸固定的FC层上。
总结而言，当网络输入的是一张任意大小的图片，这个时候我们可以一直进行卷积、池化，直到网络的倒数几层的时候，也就是我们即将与全连接层连接的时候，就要使用金字塔池化，使得任意大小的特征图都能够转换成固定大小的特征向量，这就是空间金字塔池化的意义（多尺度特征提取出固定大小的特征向量）。

SPP, 特征图可以是不同尺寸的

image → conv → spp → fc → output

训练阶段

conv不参与fine-tune, 只fine tune FC层

新问题

卷积层不参与fine-tune

Fast R-CNN

论文详解
论文详解2

• end-to-end 单阶段训练 多任务损失函数
• 所有参数都能fine tune
• RoI 池化层： 其实就是一个单层4x4的金字塔（VGG版用的7x7）、单层的SPP。ROI梯度回传的时候，重叠区域的偏导等于多个区域偏导之和。

• 区域建议还是单独的模块

  
  FAST R-CNN

Faster R-CNN

推荐博文
RPN解析
集成区域建议网络 RPN region proposal network

anchors

一些预设大小的框，三种尺寸，三种比例，一共9种anchor
假设CNN得到的feature map大小为w∗h，那总的anchors个数为9∗w∗h

faster RCNN Faster RCNN
RPN其实是个attention机制

• 训练RPN
• 训练 Fast R-CNN
• 优化RPN
• 调优 Fast R-CNN

R-FCN

Fully Convolutional Network
推荐博文
全卷积趋势，只留下一个全连接层 2048 → 1000
之前检测网络的局限性：卷积层越深，不变性越强，也就是说对变换不敏感

• 提出全卷积化
• 位置敏感分值图 （其实就是个卷积层，只是通道数量进行了特殊的设计）
• 位置敏感池化

Mobilenet

论文解读