人工智能之目标检测系列综述

Posted 2021-11-11 狂奔的CD

文章目录

• 前言
• 正文
• 1.传统目标检测
• 2.目标检测-神经网络
• • 2-1. R-CNN
  • 2-2. Fast R-CNN
  • 2-3. Faster R-CNN
  • 2-4.Mask R-CNN
  • 2-5.Yolo
  • 2-6.SSD

前言

参考 https://blog.csdn.net/jiaoyangwm/article/details/89111539

时间线

慢慢补充

正文

1.传统目标检测

在深度学习出现之前，传统的目标检测方法大概分为区域选择（滑窗）、特征提取（SIFT、HOG等）、**分类器（SVM、Adaboost等）**三个部分，其主要问题有两方面：一方面滑窗选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。
参考 https://blog.csdn.net/eternity1118_/article/details/88894617

2.目标检测-神经网络

参考：https://blog.csdn.net/electech6/article/details/95240278

概要记录：
改文章主要描述的是基于神经网络的目标检测模型
一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它们是two-stage的，需要先算法产生目标候选框，也就是目标位置，然后再对候选框做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。这可以在下图中看到。

2-1. R-CNN

【算法流程】

1. 输入一张图片，通过指定算法从图片中提取 2000 个类别独立的候选区域（可能目标区域）
2. 对于每个候选区域利用卷积神经网络来获取一个特征向量
3. 对于每个区域相应的特征向量，利用支持向量机SVM 进行分类，并通过一个bounding box regression调整目标包围框的大小

【贡献】
在2014年R-CNN横空出世的时候，颠覆了以往的目标检测方案，精度大大提升。对于R-CNN的贡献，可以主要分为两个方面：

1. 使用了卷积神经网络进行特征提取
2. 使用bounding box regression进行目标包围框的修正

【缺陷】

1. 耗时的selective search，对一张图像，需要花费2s
2. 耗时的串行式CNN前向传播，对于每一个候选框，都需经过一个AlexNet提取特征，为所有的候选框提取特征大约花费47s
3. 三个模块（CNN特征提取、SVM分类和边框修正）是分别训练的，并且在训练的时候，对于存储空间的消耗很大

2-2. Fast R-CNN

【算法流程】

1. 首先还是采用selective search提取2000个候选框RoI
2. 使用一个卷积神经网络对全图进行特征提取
3. 使用一个RoI Pooling Layer在全图特征上摘取每一个RoI对应的特征
4. 分别经过为21和84维的全连接层（并列的，前者是分类输出，后者是回归输出）

【贡献】
Fast R-CNN的贡献可以主要分为两个方面：

1. 取代R-CNN的串行特征提取方式，直接采用一个CNN对全图提取特征(这也是为什么需要RoI Pooling的原因)。
2. 除了selective search，其他部分都可以合在一起训练。

Fast R-CNN通过CNN直接获取整张图像的特征图，再使用RoI Pooling Layer在特征图上获取对应每个候选框的特征，避免了R-CNN中的对每个候选框串行进行卷积（耗时较长）

【缺陷】
Fast R-CNN也有缺点，体现在耗时的selective search还是依旧存在。

2-3. Faster R-CNN

【算法流程】
Faster R-CNN由共享卷积层、RPN、RoI pooling以及分类和回归四部分组成：

1. 首先使用共享卷积层为全图提取特征feature maps
2. 将得到的feature maps送入RPN，RPN生成待检测框(指定RoI的位置),并对RoI的包围框进行第一次修正
3. RoI Pooling Layer根据RPN的输出在feature map上面选取每个RoI对应的特征，并将维度置为定值
4. 使用全连接层(FC Layer)对框进行分类，并且进行目标包围框的第二次修正。

尤其注意的是，Faster R-CNN真正实现了端到端的训练(end-to-end training)。Faster R-CNN最大特色是使用了RPN取代了SS算法来获取RoI。

2-4.Mask R-CNN

【算法流程】
Mask R-CNN可以分解为如下的3个模块：Faster-RCNN、RoI Align和Mask。

2-5.Yolo

Yolo创造性的提出了one-stage，也就是将物体分类和物体定位在一个步骤中完成。Yolo直接在输出层回归bounding box的位置和bounding box所属类别，从而实现one-stage。通过这种方式，Yolo可实现45帧每秒的运算速度

【算法流程】
主要分为三个部分：卷积层，目标检测层，NMS筛选层

【缺陷】
Yolo算法开创了one-stage检测的先河，它将物体分类和物体检测网络合二为一，都在全连接层完成。故它大大降低了目标检测的耗时，提高了实时性。但它的缺点也十分明显

1. 每个网格只对应两个bounding box，当物体的长宽比不常见（也就是训练数据集覆盖不到时），效果很差。
2. 原始图片只划分为7x7的网格，当两个物体靠的很近时，效果很差
3. 最终每个网格只对应一个类别，容易出现漏检（物体没有被识别到）。
4. 对于图片中比较小的物体，效果很差。这其实是所有目标检测算法的通病，SSD对它有些优化，我们后面再看。

2-6.SSD

Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。而Yolo则相反，速度快，但准确率和漏检率不尽人意。SSD综合了他们的优缺点，对输入300x300的图像，在voc2007数据集上test，能够达到58 帧每秒( Titan X 的 GPU )，72.1%的mAP。

【算法流程】
和Yolo一样，也分为三部分：卷积层，目标检测层和NMS筛选层。SSD和Yolo一样都是采用一个CNN网络来进行检测，但是却采用了多尺度的特征图。

ps:从以上了解来看，对于微小目标检测，面临两个问题，
一是，神经网络卷积过程中的下采样，会不断忽略细节，微小物体比如10x10这样的size，使用多层卷积可能出现检测不了的情况。
二是，准确率相较大目标，会低很多