object detection[content]

---

近些年，随着DL的不断兴起，计算机视觉中的对象检测领域也随着CNN的广泛使用而大放异彩，其中Girshick等人的《R-CNN》是第一篇基于CNN进行对象检测的文献。本文欲通过自己的理解来记录这几大模型的发展。（自己挖坑，自己待填）

0. overfeat

---

0.1. MultiBox

---

1. R-CNN

R-CNN是第一篇将CNN用在目标检测领域中的，是开山之作，不过其中的原理结构也较为简单，如下图：

图1.1 R-CNN结构

步骤

• 通过selective search方法在一张图片上获取很多的候选区域框（在真实目标上框出了大致粗糙的结果框，可是有三个问题：1 - 多；2-一些框置信度不够；3 - 框的边界不够精细）；
• 用CNN对每个框提取特征；
• 用SVM做对象分类；
• 用回归器修正候选框位置。

特点：作者基于之前dl在图像分类上的准确度，想通过cnn提取图片的特征来实现特征提取这步操作

---

2. SPPnet

图2.1 传统CNN和SPP
如上图所示，因为常用的CNN网络都需要事先crop和warp，这样造成的问题就是要么图像内目标没包含完整、要么就是图像必须一定的拉伸导致几何失真。
所以作者在最后一层卷积层和全连接层之间加了一个SPP池化。因为传统的CNN是需要全连接层的，对于前面的卷积层来说，图片输入多大，对应的输出也会有对应变化，可是仍然能够很好的处理。而全连接层却需要固定维度的输入；所以传统的CNN可以将前面的卷积层看成是特征提取器，然后将提取到的特征通过传统的神经网络（也就是全连接层）做分类预测。

具体的SPP操作如下图：

图2.2 SPP操作

如上图所示，在最后一层卷积层和第一层全连接层之间加一层空间金字塔池化层。上图中256表示之前特征图的通道数（也就是之前的特征图是一个M*N*D的张量，而每个特征图size为M*N,一共D个通道）。这里采取了3种不同的池化方式，第一个是固定每个特征图输出一个16维的向量；第二个固定输出一个4维的向量；第三个是个全局池化，即每个特征图固定输出一个值。

步骤如下

• 照常输入图片；
• 在最后一层卷积层的输出部分获取当前特征图的size；
• 通过对全连接层的输入的维度固定，反推当前的SPP层每个特征图上需要的池化窗口大小和滑动步长大小；
• 对当前特征图进行SPP池化

---

3. fast R-CNN

特点： 引入了ROI池化：所谓ROI就是基于当前图片中感兴趣区域，是CV中的常见术语，而池化是DL常见术语。ROI池化就是基于当前特征图的感兴趣区域（选定的部分区域）进行池化操作。

图3.1 fast-rcnn网络结构图

• 因为RCNN是分阶段处理的，所以训练还是测试都是比较繁琐的；
    所以，在fast RCNN中，除了最开始的对象候选框还是采用了SS的方法，后续的都是基于cnn的方式，从而能够实现end-to-end。
• rcnn相对来说，慢是因为每个候选框上都需要过一次cnn；
    所以，fast rcnn就想，能不能在一个图片上过一次，然后在后面的feature map上直接提取每个候选框对应的区域（即一个ROI区域对应一个由SS方法提到的候选框）；
• 可是得到的每个ROI都是不固定的size，如何能统一成一致的大小，从而完成后续的层训练；
    所以，提出了ROI-pooling的方法，从SPP-net得到的灵感，直接将每个得到的ROI区域划分成固定size的网格，每个格子中进行max-pooling，从而输出统一的数据向量
• 那么这时候怎么反向BP这些不同size的ROI呢;
    所以，我们以ROI-pooling层作为分界线，后面是正常的基于整个图片提取特征的过程；到了ROI-pooling层，向前分隔成2个并列的全连接层；a）用来做当前ROI的分类，是一个softmax层结果；b）用来对当前ROI进行坐标精确微调，是一个基于全连接层的作者自定义的目标函数；

而从后往前当残差传到ROI层的时候，将当前残差对应回完整的那个feature map，其中如果某个神经元参与了不同的ROI区域，那么该神经元的残差是接收其涉及的ROI残差的和，如下图所示：

图3.2 ROI池化层前向传播，该图来自这里

图3.3 ROI池化层后向传播，该图来自这里
在图3.3中，先将不同的ROI映射回原来完整的feature map，然后重叠区域的残差是2个ROI传到这里的残差之和，其中绿点是因为采用的max-pooling，然后恰好这两个ROI池化时候网格的块中结果都是这个神经元。
几个有干货，而不是简单的翻译的博客：博客1；博客2

---

4. faster R-CNN

从上面几个网络的发展来看，有种顺风顺水的感觉，就是当前暴露了哪个问题，那么就解决那个问题，接下来暴露下一个问题，那么就接着解决暴露的问题。通过fast-rcnn之后，发现下一个要解决的问题就是SS方法提取的太耗时了，所以faster RCNN就着重解决区域提取方法，即让cnn网络自己提出所谓的图片ROI区域。这里叫做区域候选网络（region proposal network，RPN）。

而且faster rcnn，个人人为是目标检测的一个高潮，因为后续的ssd，yolo，rfcn都是基于这个网络进行对比的，而faster rcnn的准确度是最高的，所以后续的几个网络都是在其他方面有所优势，比如照顾小目标，比如实时性等等。

看这里，faster rcnn

---

5. YOLO

这里我们来说YOLO架构：
yolo相较于之前几个模型就比较暴力，直接将最后的feature map硬编码成7*7的网格，每个神经元就是一个如faster rcnn中RPN的划框，先验的将faster rcnn的RPN的工作硬编码到网络中。假设每个神经元就是原图中对象的中心，通过直接对目标函数进行改进，很好的将原来RPN的工作和fast rcnn的工作融合到目标函数中去了，这样做的好处是快，在预测的时候也不需要经过RPN去先得到所谓的对象候选框，直接一次过整个网络就行了；当然，也存在最后目标预测准确度下降的问题，因为从模型的设计上就可以看出，如果每个神经元只预测一个对象，那么就存在丢失目标的可能，而且作者通过实验也发现，对小目标的识别不如faster rcnn。

YOLOv1；YOLOv2

---

6. SSD

ssd(点我)

---

7. RFCN

rfcn(点我)

---

8. FPN

---

9. PVANET

参考文献：

1. [overfeat] Sermanet P, Eigen D, Zhang X, et al. Overfeat: Integrated recognition, localization and detection using convolutional networks[J]. arXiv preprint arXiv:1312.6229, 2013.
2. [r-cnn] R. Girshick, J. Donahue, T. Darrell, and J. Malik. Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 580–587,2014
3. [spp] He K, Zhang X, Ren S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[C]//European Conference on Computer Vision. Springer, Cham, 2014: 346-361.
4. [fast r-cnn] Girshick R. Fast r-cnn[C]//Proceedings of the IEEE international conference on computer vision. 2015: 1440-1448.
5. [faster r-cnn] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[C]//Advances in neural information processing systems. 2015: 91-99.
6. [yolo] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi. You only look once: Unified, real-time object detection. arXiv preprint arXiv:1506.02640, 2015
7. [yolo 9000] J. Redmon and A. Farhadi. Yolo9000: Better, faster, stronger. arXiv preprint arXiv:1612.08242, 2016
8. [ssd] Liu W, Anguelov D, Erhan D, et al. Ssd: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21-37.
9. [fpn] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[J]. arXiv preprint arXiv:1612.03144, 2016.
10. [rfcn] Dai J, Li Y, He K, et al. R-fcn: Object detection via region-based fully convolutional networks[C]//Advances in neural information processing systems. 2016: 379-387.
11. [模型比较] Huang J, Rathod V, Sun C, et al. Speed/accuracy trade-offs for modern convolutional object detectors[J]. arXiv preprint arXiv:1611.10012, 2016.
12. [pvanet] Kim K H, Hong S, Roh B, et al. PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection[J]. arXiv preprint arXiv:1608.08021, 2016.
13. [multibox] Erhan D, Szegedy C, Toshev A, et al. Scalable object detection using deep neural networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014: 2147-2154.
14. [SqueezeDet] Wu B, Iandola F, Jin P H, et al. SqueezeDet: Unified, small, low power fully convolutional neural networks for real-time object detection for autonomous driving[J]. arXiv preprint arXiv:1612.01051, 2016.