常见目标检测模型

面试的时候，很多次会问到这些模型的东西，因为你做的项目当中会涉及到这些，但是总是一问三不知。故课下补补课。

想要看看大家的博客和好好看看相关论文，了解一下所以然吧。

传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。

又重新看了有三老师的《深度学习之图像识别》-第六章：目标检测，关于fast r-cnn，faster r-cnn，yolo方法，ssd的描述。

完成一个目标检测任务，会进行3个步骤，第1步选择检测窗口，第2步提取图像特征，第3步设计分类器。

选择检测窗口：

最直观最简单的方法是利用图像金字塔+各种尺度比例的框+暴力搜索法：从左到右，从上到下滑动窗口，然后利用分类方法对目标框进行识别

特征提取：

Haar特征是经典的V-J框架使用的基本特征，它表达的是局部的明暗对比关系。

LBP是传统人脸检测算法中广泛使用的纹理特征。

HOG特征是在物体检测领域应用非常广泛的特征

分类器：

Adaboost：迭代的分类方法，在opencv开源库中使用的人脸检测框架的分类器正是这个，它的核心思想是在很多分类器中，自适应地挑选其中分类精度更高的弱分类器，

并将其进行组合从而实现一个更强的分类器。

SVM：通过最大化分类间隔得到分类平面的支持向量。

Decision Tree等

#####################

# 学习目标检测方法： #

#####################

在言有三老师的书中说道，深度学习的目标检测分为one-stage和two-stage检测算法两种。对于two-stage检测方法来说，

它生成了可能包含物体的候选区域Region Proposal，然后对这个候选区域做进一步的分类和校准，得到最终的检测结果，代表方法有r-cnn系列方法。

而单阶段检测算法直接给出了最终的检测结果，没有经过生成候选区域的步骤，典型代表为YOLO和SSD。

R-CNN：

使用Selective search将候选区域控制在了2000个左右，然后将对应的框进行缩放操作，送入CNN中进行训练，通过SVM和回归器确定物体的类别并对其进行定位。

由于CNN具有非常强大的非线性表征能力，可以对每一个区域进行很好的特征学习，因而性能大大提升。

特点：

1.利用Selective search方法，先通过实例分割将图像分割为若干小块，然后选择相似度较高的小块，把这些相似的小块合并将为一个大块，最后整个物体生成一个大的矩形框，

通过该方法大大提高了候选区域的筛选速度

2.用在ImageNet数据集上进行学习的参数对神经网络进行预处理，解决了在目标检测训练过程中标注数据不足的问题

3.通过线性回归模型对边框进行校准，减少了图像中的背景空白，得到更精确的定位

缺点：

1.冗余计算

2.候选区域的尺度缩放问题

====>Spatial pyramid pooling 空间金字塔池化

引入SPP层，它实现了将输入的任意尺度的特征图组合成了特定维度的输出

Fast R-CNN：

与R-CNN的区别之处在于RoI Pooling层，它是一个简化的SPP层

R-CNN和Fast R-CNN不能解决Selective search方法低效率的滑动窗口选择问题。

Faster R-CNN：

提出了Region Proposal Networks（RPN）框架，实现了利用深度学习自己学习生成候选区域的策略，充分利用了feature maps的价值，在目标检测中去除了

Selective search方法。

RPN，就是以一张任意大小的图片作为输入，输出一批矩形区域的提名，每一个区域都会对应目标的分数和位置信息。实际上在最终的卷积特征层上，

在每一点利用滑窗生成k个不同的矩形框来提取区域，k一般取值9

k个不同的矩形框称为anchor，具有不同的尺度和比例。用分类器来判断anchor覆盖的图像是前景还是背景，对于每一个anchor，还需要使用一个回归模型

来判断回归框的精细位置。

YOLO方法：

相比于R-CNN的优点，检测物体速度更快，避免产生背景错误。

检测精度低

对于小物体的检测效果不好

yoloV1 不够精确

yoloV2 提高了检测速度，还提高了精度

改进：

1.添加batch normalization

了模型的收敛速度，减少模型出现过拟合的概率

2.使用更高精度输入图

3.引入anchor boxes，在卷积图上进行滑窗采样

4.回归框聚类，提高了k-means聚类方法将回归框进行聚类，提高精度

5.预测值归一化

6.跨层连接

7.多尺度训练

yoloV3：把原来网络中softmax层换成了逻辑回归层，实现把单标签分类改成多标签分类，另一个特点采用多尺度融合（提高了对小物体的检测性能）

ssd：

ssd融合了yolo的无显式候选框提取和faster r-cnn中的anchor机制，并在特征空间中融合了不同卷积层的特征进行预测

最大特点是考虑到不同层featureMap的感知野不同，同时对lower featureMap和upper featureMap进行检测

ssd的几个重要概念：

featuremap cell：featuremap上的最小格子

default box:越大的default box，就能检测越大的目标

相比于R-CNN系统，yolo和ssd系统的方法没有了region proposal的提取，属于单阶段目标检测，速度更快，同时也会损失信息和精度。

目标检测中的关键技术：

1.多尺度特征

2.定位的改进

3.级联网络的设计