1  
    
    
  、目标检测基本概念

1.1 什么是目标检测

目标检测(Object Dectection)的任务是找出图像中所有感兴趣的目标（物体）    
    
    
，确定他们的类别和位置  
    
    
  。

1.2 目标检测要解决的核心问题

除图像分类外   


     


     


  ，目标检测要解决的核心问题是：

1.目标可能出现在图像的任何位置

     


     


     
。

2.目标有各种不同的大小 




 




 




。

3.目标可能有各种不同的形状  

   

   

 。

1.3 目标检测算法分类

Two stage目标检测算法

先进行区域生成（region proposal,RP）(一个可能包含待检测物体的预选框)



 




 




 
，再通过卷积神经网络进行样本分类

     

     

     。

任务：特征提取->生成RP->分类/定位回归  




  




  




。

常见Two stage目标检测算法有:R-CNN

     


     


     
、SPP-Net 




 




 




、Fast R-CNN和R-FCN等  


  


  


。 One stage 目标检测算法

不用RP   

   

   

，直接在网络中提取特征来预测物体分类和位置
     
     
     。

任务：特征提取->分类/定位回归
   




   




   



。

常见的one stage目标检测算法有：OverFeat  

   

   

 、YOLOv1

     

     

     、YOLOv3  




  




  




、SSD和RetinaNet等 



 



 



。

1.4 应用领域

人脸检测 行人检测 车辆检测 道路检测 障碍物检测 等等

2  


  


  


、Two stage 目标检测算法

2.1 R-CNN

2.1.1 R-CNN 创新点

使⽤CNN（ConvNet）对 region proposals 计算 feature vectors               。从经验驱动特征（SIFT
     
     
     、HOG）到数据驱动特征（CNN feature map）    

     

     

 ，提⾼特征对样本的表⽰能⼒

    




    




    


。 采⽤⼤样本下（ILSVRC）有监督预训练和⼩样本（PASCAL）微调（fine-tuning）的⽅法解决⼩样本难以训练甚⾄过拟合等问题














。

注：ILSVRC其实就是众所周知的ImageNet的挑战赛




  




  




  ，数据量极⼤；PASCAL数据集（包含⽬标检测和图像分割等）  


  


  


，相对较⼩               。

2.1.2 R-CNN 介绍

R-CNN作为R-CNN系列的第⼀代算法     
     
     
，其实没有过多的使⽤“深度学习  
    
    
  ”思想




   




   




   ，⽽是将“深度学习

     


     


     
”和传统的“计算机视觉 




 




 




”的知识相结合

     



     



     

。⽐如R-CNN pipeline中的第⼆步和第四步其实就属于传统的“计算机视觉  

   

   

 ”技术
















。使⽤selective search提取region proposals
 



 



 


，使⽤SVM实现分类  
    
    
  。

预训练模型

     


     


     
。选择一个预训练模型（pre-trained）神经网络(如AlexNet
   




   




   



、VGG) 




 




 




。

重新训练全连接层使用需要检测的目标重新训练(re-train)最后全连接层(connected layer)  

   

   

 。

提取prosals并计算CNN特征

     

     

     。利用选择性搜索(Slective Search)算法提取所有prosals（大约2000幅images）,调整(resize/warp)它们固定大小               ，以满足CNN输入 




    




    




   ，然后将feature map保存到本地磁盘  




  




  




。

训练SVM  


  


  


。利用feature map训练SVM来对目标和背景进行分类(每个类一个二进制SVM）
     
     
     。

边界框回归(Bounding boxes Regression)
   




   




   



。训练将输出一些校正因子的线性回归分类器 



 



 



。

2.1.3 R-CNN实验结果

R-CNN在VOC 2007测试集上mAP达到58.5%














，打败当时所有的⽬标检测算法               。

2.2 Fast R-CNN

2.2.1 Fast R-CNN有哪些创新点？

只对整幅图像进行一次特征提取

    




    




    


。 ⽤RoI pooling层替换最后⼀层的max pooling层               ，同时引⼊建议框数据  



     



     



   ，提取相应建议框特征














。 Fast R-CNN⽹络末尾采⽤并⾏的不同的全连接层














，可同时输出分类结果和窗⼝回归结果    
    
    
， 实现了end-to-end的多任务训练【建议框提取除外】   


     


     


  ，也不需要额外的特征存储空间【RCNN中的特征需要保持到本地



 




 




 
，来供SVMBounding-box regression进⾏训练】               。 采⽤SVD对Fast R-CNN⽹络末尾并⾏的全连接层进⾏分解   

   

   

，减少计算复杂度    

     

     

 ，加快检测速度

     



     



     

。

2.2.2 Fast R-CNN 介绍

Fast R-CNN是基于R-CNN和SPPnets进⾏的改进














。SPPnets




  




  




  ，其创新点在于计算整幅图像的the shared feature map  


  


  


，然后根据object proposal在shared feature map上映射到对应的feature vector（就是不⽤重复计算feature map了）  
    
    
  。当然     
     
     
，SPPnets也有缺点：和R-CNN⼀样




   




   




   ，训练是多阶段（multiple-stage pipeline）的
 



 



 


，速度还是不够"快"               ，特征还要保存到本地磁盘中

     


     


     
。

将候选区域直接应⽤于特征图 




    




    




   ，并使⽤RoI池化将其转化为固定⼤⼩的特征图块 




 




 




。以下是Fast R-CNN的流程图

2.2.3 RoI Pooling 层详解

因为Fast R-CNN使⽤全连接层














，所以应⽤RoI Pooling将不同⼤⼩的ROI转换为固定⼤⼩  

   

   

 。

RoI Pooling 是Pooling层的⼀种               ，⽽且是针对RoI的Pooling  



     



     



   ，其特点是输⼊特征图尺⼨不固定














，但是输出特征图尺⼨固定（如7x7）

什么是RoI呢？

RoI是Region of Interest的简写    
    
    
，⼀般是指图像上的区域框   


     


     


  ，但这⾥指的是由Selective Search提取的候选框

     

     

     。 提取候选框

往往经过RPN后输出的不⽌⼀个矩形框



 




 




 
，所以这⾥我们是对多个RoI进⾏Pooling  




  




  




。 RoI Pooling的输入

输⼊有两部分组成： 特征图（feature map）：指的是上⾯所⽰的特征图   

   

   

，在Fast RCNN中    

     

     

 ，它位于RoI Pooling

之前




  




  




  ，在Faster RCNN中  


  


  


，它是与RPN共享那个特征图     
     
     
，通常我们常常称之

为“share_conv

     

     

     ”； RoIs




   




   




   ，其表⽰所有RoI的N*5的矩阵  


  


  


。其中N表⽰RoI的数量
 



 



 


，第⼀列表⽰图像index               ，其余四

列表⽰其余的左上⾓和右下⾓坐标
     
     
     。

在Fast RCNN中 




    




    




   ，指的是Selective Search的输出；在Faster RCNN中指的是RPN的输出














，⼀堆矩形候选框               ，形状为1x5x1x1（4个坐标+索引index）  



     



     



   ，其中值得注意的是：坐标的参考系不是针对feature map这张图的














，⽽是针对原图的（神经⽹络最开始的输⼊）
   




   




   



。其实关于ROI的坐标理解⼀直很混乱    
    
    
，到底是根据谁的坐标来 



 



 



。其实很好理解   


     


     


  ，我们已知原图的⼤⼩和由Selective Search算法提取的候选框坐标



 




 




 
，那么根据"映射关系"可以得出特征图（featurwe map）的⼤⼩和候选框在feature map上的映射坐标               。⾄于如何计算   

   

   

，其实就是⽐值问题    

     

     

 ，下⾯会介绍

    




    




    


。所以这⾥把ROI理解为原图上各个候选框（region proposals）




  




  




  ，也是可以的














。

2.2.4 RoI 的具体操作

根据输入image  


  


  


，将ROI映射到feature map 对应位置

注：映射规则比较简单     
     
     
，就是把各个坐标除以“输入图片与feature map的大小的比值  




  




  




”




   




   




   ，得到了feature map上的box坐标               。

2.将映射后的区域划分为相同大小的sections(sections数量与输出的维度相同)

3.对每个sections进行max pooling操作

     



     



     

。

这样我们就可以从不同大小的方框得到固定大小的相应的feature maps














。值得⼀提的是
 



 



 


，输出的feature maps的大小不取决于ROI和卷积feature maps大小  
    
    
  。RoI Pooling 最大的好处就在于极大地提高了处理速度

     


     


     
。

2.2.5 ROI Pooling的输出

输出是batch个vector               ，其中batch的值等于ROI的个数 




    




    




   ，vector的大小为channelwh;ROI Pooling的过程就是将一个个大小不同的box矩形框














，都映射成大小固定(w*h)的矩形框 




 




 




。

ROI Pooling 示例

2.3 Faster R-CNN

2.3.1 Faster R-CNN有哪些创新点？

Fast R-CNN依赖于外部候选区域⽅法               ，如选择性搜索  

   

   

 。但这些算法在CPU上运⾏且速度很慢

     

     

     。在测试中  



     



     



   ，Fast R-CNN需要2.3秒来进⾏预测














，其中2秒⽤于⽣成2000个ROI  




  




  




。Faster R-CNN采用与Fast R-CNN相同的设计    
    
    
，只是它⽤内部深层⽹络代替了候选区域⽅法  


  


  


。新的候选区域⽹络（RPN）在⽣成ROI时效率更⾼   


     


     


  ，并且以每幅图像10毫秒的速度运行
     
     
     。

候选区域⽹络（RPN）将第⼀个卷积网络的输出特征图作为输⼊
   




   




   



。它在特征图上滑动⼀个3×3的卷积核



 




 




 
，以使用卷积⽹络（如下所示的ZF网络）构建与类别⽆关的候选区域 



 



 



。其他深度⽹络（如VGG或ResNet）可⽤于更全⾯的特征提取   

   

   

，但这需要以速度为代价               。ZF网络最后会输出256个值    

     

     

 ，它们将馈送到两个独立的全连接层




  




  




  ，以预测边界框和两个objectness分数  


  


  


，这两个objectness分数度量了边界框是否包含⽬标

    




    




    


。我们其实可以使⽤回归器计算单个objectness分数     
     
     
，但为简洁起⻅




   




   




   ，Faster R-CNN使⽤只有两个类别的分类器：即带有⽬标的类别和不带有⽬标的类别














。