博主簡介：努力學習的22級本科生一枚 🌟?；探索AI算法，C++，go語言的世界；在迷茫中尋找光芒?🌸?
博客主頁：羊小豬~~-CSDN博客
內容簡介：常見目標檢測算法簡介?😕??😕??😕??😕??😕??😕??😕??😕??😕?
往期內容：深度學習基礎–目標檢測入門簡介-CSDN博客

文章目錄

• 1、tow-stage
• • R-CNN
  • Fast R-CNN
  • Faster R-CNN
  • Mask R-CNN
• 2、one-stage
• • 單發多寬檢測(SSD)
  • YOLO
• 3、參考資料

1、tow-stage

R-CNN

最早的目標檢測模型。

📖 簡介：

傳統目標檢測的思路，采用提取框，對每個提取框進行特征提取、圖像分類、非極大值抑制四個步驟進行檢測。

對于一張圖片來說，R-CNN首先會基于啟發式搜索算法生成大約2000個候選區域，然后每個區域固定大小，并且傳入一個CNN模型中，最后得到一個特征向量，這個向量會傳到一個SVM模型中，進行類別計算，進行分類，并且，最后運用 了一個邊界框回歸模型，通過邊框回歸模型對框的準確位置進行修正。

📚 解釋一些名詞：

• 啟發式搜索，這個算很難，也包含很多算法，簡單理解他的作用是在圖片上選取物體可能出現的區域框(錨框);
• 非極大值抑制：是一種在目標檢測中去除冗余邊界框的后處理算法，通過保留局部得分最高的檢測框并抑制與其重疊度（IoU）超過閾值的低得分框，實現檢測結果的唯一性與精確性；這個在上一篇博客中已經簡單介紹了(深度學習基礎–目標檢測入門簡介-CSDN博客)，就是去除多余的錨框；

🐾 算法步驟：

1. 使用啟發式搜索來選擇錨框；
2. 使用預訓練模型來對每個錨框抽取特征；
3. 訓練一個SVM來對類別進行分類；
4. 訓練一個線性回歸模型來預測邊緣框的偏移，這一步就是將錨框來預測他真實的位置(邊緣框)偏移；

---

上面簡介中提到每個區域固定大小，但是實際上用啟發式算法進行搜索的時候，每次選擇的錨框大小是不同的，將不同大小的錨框變成一個統一形狀的算法就是Rol pooling;

💁?♂ Rol pooling，也稱感興趣域池化層，作用是將大小不一的錨框統一形狀。

📘 原理：

給定一個錨框，先將其均勻地分割成 n * m 塊，然后輸出每塊里的最大值，這樣的話，不管錨框有多大，只要給定了 n 和 m 的值，總是輸出 nm 個值，達到統一形狀的作用。

---

缺點：雖然有效提取了特征，但是速度非常慢，因為在第二個步驟用訓練好的模型對每個錨框進行特征提取的時候，計算非常大(因為啟發式算法大約生成2000個框)。

Fast R-CNN

🐤R-CNN:

• 對每個錨框分別進行特征提取；
• R-CNN是前向傳播的，而且比如說對一張圖片劃分了2000張錨框，那么在進行特征提取的時候通常會有重疊部分，故導致了從重復計算。Fast R-CNN就是解決這個問題的；

🥅 Fast R-CNN網絡圖：

🚂 原理簡介，與R-CNN對比著看：

• 首先由兩進行兩部計算，分別是錨框生成、圖片特征提取，對應著上圖中兩條分支：

  • 錨框生成：和R-CNN一樣；

  • 特征提取(CNN)：對于一張圖片，首先使用CNN對整張圖片進行特征提取；

• Rol pooling這里有兩步：

  • 1??映射：錨框(selective search)按照一定比例映射到特征提取(CNN)的輸出上；
  • 2?? Rol pooing：這一步和R-CNN一樣，統一錨框大小。

• 之后采用一個全連接層進行分類(R-CNN用的是SVM)，輸出類別。

---

🚅比R-CNN快的原因：最核心的原因就是只需要對整體圖片進行一次特征提取就行了，不需要分別對每個錨框進行特征提取。

Faster R-CNN

這個算法的改進是提出來RPN(區域建議網絡)來代替selective search；

🔖 RPN簡介：

這個網絡學習的時候理解起來還是有難度的😢

🎡 作用：生成大量很差的錨框，然后進行預測，最終輸出比較好的錨框供后面網絡使用(預測效果好的會進入Rol Pooing)；

😿 原理簡介：

• CNN特征提取后，再次運用一次卷積操作，然后用啟發式算法搜索來初始化錨框；

• 然后判斷錨框是否包含物體，這里分為兩步：

  • 1?? 分類：RPN對每個錨框進行分類，判斷他是否包含目標物體，這里輸出的是一個概率值；
  • 2?? 回歸：調整錨框位置和大小；

• 最后采用NMS對錨框進行篩選。

---

🉐 特點：精度高，但是計算量巨大，慢。

Mask R-CNN

這個算法是對Faster R-CNN基礎上修改而來，他的作用是：解決傳統目標檢測，即只輸出邊界框無法提供像素級分割信息的問題。

像素級分割：生成每個物體的精確輪廓掩碼.

從圖像看的話，對比Fast R-CNN，有兩個不同：

• 用Rol align代替Rol pooling；
• 在Rol align上新增一個分支；

---

這個難度我學的時候也很蒙，感覺好難😢

在學這個網絡前，先學一下什么叫做二值掩碼：

• 二值掩碼是一種由0和1(或255)組成的二值圖像，用于標記原始圖像中需要關注或操作的區域。上圖的右下部分圖。

🔬 難度大，梳理一下網絡:

1. 特征提取
   • 輸入圖像通過卷積神經網絡生成特征圖。
2. 區域建議網絡（RPN）
   • 在特征圖上生成錨框，通過分類和回歸生成候選區域，這部分和Fast R-CNN一樣。
3. RoI Align
   • 將候選區域映射到特征圖上，使用雙線性插值提取固定大小的特征（如 7×77×7 或 14×1414×14），與Rol pooling不同的是映射算法不同。
4. 分類與回歸分支
   • 對每個 RoI 進行分類和邊界框修正，這部分和Fast R-CNN一樣。
5. 掩碼分支
   • 對每個 RoI 生成二值掩碼，最終通過閾值化得到像素級分割結果，先理解為對不同物體分別進行不同顏色可視化即可😭，由于是像素級別的，故大概輪廓也能顯示出來。
6. 全連接層
   • 進行圖片分類。

2、one-stage

單發多寬檢測(SSD)

👀 先看網絡結構：

初看網絡結構，可以觀察到他也是前向傳播的，而且在傳播的時候一直進行預測。

👀再看

👓 特點：

• 對給定的錨框直接進行預測，不需要進行兩個階段，這也是為什么比Faster R-CNN快的原因；

• SSD 通過做不同分辨率下的預測來提升最終的效果，越到底層的 feature map，就越大，越往上，feature map 越少，因此底層更加有利于小物體的檢測，而上層更有利于大物體的檢測）

😢 缺點：

• 速度快，但是精度不好。

YOLO

? 用最多的模型。

📚 解釋：

• 盡量讓錨框不重疊—–》將圖片均勻分成S X S個錨框。

• 每個錨框預測B個邊緣框，這個意思是一個錨框可能有多個物體，故在他身邊預測多個錨框進行特征提取、分類，如上圖中的藍色圓圈。

YOLO有很多版本，也非常值得學習的。

3、參考資料

• 【44 物體檢測算法：R-CNN，SSD，YOLO【動手學深度學習v2】】https://www.bilibili.com/video/BV1Db4y1C71g?vd_source=1fd424333dd77a7d3e2e741f7d6fd4ee
• R-CNN_百度百科
• 李沐動手學深度學習V2-目標檢測SSD_深度學習與目標檢測 第2版第二版-CSDN博客