经典目标检测算法详解（R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、YOLO、SSD）

最新推荐文章于 2023-07-02 14:50:32 发布

原创

最新推荐文章于 2023-07-02 14:50:32 发布 · 6.2k 阅读

本文详细介绍了目标检测领域的经典算法，包括R-CNN系列、YOLO、SSD等，涵盖了从两步走策略到端到端检测的发展历程，以及各种算法的优缺点比较。

两步走的目标检测：先进行区域推荐，而后进行目标分类
代表：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN
端到端的目标检测：采用一个网络一步到位
代表：YOLO、SSD
在这里插入图片描述

定位+分类：图片当中仅有一个目标，检测出该目标所处位置及该目标的类别
定位+分类的实现思路：
（1）训练 / 下载一个分类模型，例如，AlexNet、VGGNet、ResNet等；
（2）在原分类网络最后一个卷积层之后，添加 “regression head” ；
（3）同时训练原有的 “classification head” (用于分类，分类问题)和 “regression head” (用于定位，回归问题)，最终损失函数是分类和定位各自损失的加权和；
（4）预测时，同时使用分类和回归“head”，得到分类+定位的结果。这里需要强调一下的是，分类预测的结果 就是C个类别的概率；回归预测的结果 有两种可能：① 类别无关，输出4个值，② 类别相关，输出4*C个值。
假设有10个类别，输出[p1,p2,p3,…,p10]，然后输出这一个对象的四个位置信息[x,y,w,h]。同理知道要网络输出什么，如果衡量整个网络的损失
对于分类的概率，还是使用交叉熵损失
位置信息具体的数值，可使用MSE均方误差损失（L2损失）

Ross Girshick在2014年计算机视觉和模式识别大会（CVPR，Computer Vision and Pattern Recognition）中提出R-CNN。

（1）选取正负样本

正样本	候选区域和该图片中所有真实矩形框的交并比， $IOU\geq 0.5$ ，则该候选区域作为这个真实矩形框内物体类别的正样本
负样本	候选区域和该图片中所有真实矩形框的交并比， $I O U < 0.5$ ，则该候选区域作为这个真实矩形框内物体类别的负样本

（2）选取预训练模型：R-CNN采用AlexNet来学习特征，包含5个卷积层和3个全连接层（可直接下载预训练模型AlexNet）

（3）训练 特征提取器（对AlexNet模型进行微调）

AlexNet模型：卷积部分可以作为一个好的特征提取器，后面的全连接层可以理解为一个好的分类器
需要在AlexNet模型上微调卷积参数：修改全连接最后一层，1000个类别输出，改为C+1个类别输出（其中C是真实需要预测的类别个数，1是背景类），利用（1）步中准备的正负样本进行AlexNet微调（迁移学习）。

（4）训练 SVM分类器

SVM模型的输入：将AlexNet微调模型第五个池化层的输出（即候选区域提取到的特征向量，维度 $2000 * 4096$ ）存到硬盘，其作为输入进行SVM分类器训练。（R-CNN当中默认CNN层输出4096特征向量）
针对每个类别训练一个SVM的二分类器，举例：猫的SVM分类器，输入维度是 $2000 * 4096$ ，目标还是之前第一步标记是否属于该类别猫
训练结果：得到SVM的权重矩阵 W，W的维度是 $4096 * 20$ （20个SVM分类器）。