物体检测算法R-CNN、SSD、YOLO

本文梳理基于锚框的目标检测算法，介绍 R-CNN 系列、SSD 与 YOLO 的基本思路，对比候选区域方法与单阶段检测方法的结构特点。

🎦 本节课程视频地址 👇

准确说本课程是基于锚框的目标检测算法

R-CNN(Region based 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提取特征
• 做两个预测
  • 训练一个SVM来对类别分类预测
  • 训练一个线性回归模型来预测边缘框偏移

为了使大小不一的锚框可以成为统一规格，需要借助兴趣区域池化层(RoI Pooling)。

• 给定一个锚框，均匀分割成 \(n \times m\) 块，输出每块里最大的值
• 不管锚框多大，总是输出 \(nm\) 个值。

Fast RCNN ——如果一张图片要抽取上千张锚框提取特征，速度太慢了

• 使用CNN对图片本身抽取特征
  • 用选择性搜索把锚框按比例映射到特征上
• 使用Rol池化层对每个锚框生成固定长度特征
  • 对映射后的锚框进一步放缩特征
  • 最终输出的锚框高度概括化
• 把锚框的特征传入全连接层进行类别和偏移预测

速度进步的本质是把CNN的对象从大批量锚框到该图片本身

Faster R-CNN

• 使用一个区域提议网络(Regional Proposal Network，本质还是一个神经网络)来替代启发式搜索来获得更好的锚框。
  • 预测锚框是否识别物体，或者能否能偏移到边界框，经过NMS进一步优化锚框。
  • 相当于一个简要的分类器
  • 对精度特别关心的项目

Mask R-CNN

• 如果有像素级别的标号，使用FCN(Fully convolutional network)来利用这些信息。
  • 对于每个像素预测他的标号
  • RoI是按照像素切（重组的时候会出现边界错位的误差），Mask可以把像素分割，用加权算法获得值

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是在追求高精度场景下的常用算法

单发多框检测(SSD, Single Shot Detection)

生成锚框

• 对每个像素，生成多个以他为中心的锚框
• 给定 \(n\) 个大小 \(s_1,...,s_n\) 和 \(m\) 个高宽比，那么生成 \(n+m-1\) 个锚框，其大小和高宽比分别为 \((s_1,r_1),(s_2,r_1),...,(s_n,r_1),(s_1,r_2)(s_1,r_3),...,(s_1,r_m)\)

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，顶部段来拟合大物体
• 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
• 以每个像素为中心产生多个锚框
• 在多个段的输出上进行多尺度的检测
  • 层层检测

YOLO

——你只看一次

• 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 \(S \times S\)个锚框
• 每个锚框预测 \(B\) 个边缘框
• 后续版本(V2,V3,V4…)有持续改进