基础目标检测算法介绍：CNN、RCNN、Fast RCNN、Faster RCNN、YOLO、SSD

1、解决目标检测任务的简单方法

如何用一个卷积神经网络解决通用的目标检测问题：

（1）首先，把图片作为输入；

（2）之后，将图片分成多个区域;

（3）将每个区域看作单独的图片;

（4）把这些区域照片传递给CNN，将它们分到不同类别中。

（5）当我们把每个区域都分到对应的类别後，再把它们结合在一起，完成对原始图像的目标检测；

使用这一方法的问题在于，图片中的物体可能有不同的长宽比和空间位置。例如，在有些情况下，目标物体可能占据了图片的大部分，或者非常小。目标物体的形状也可能不同。

有了这些考虑因素，我们需要分割很多区域，需要大量计算力。所以为了解决这一问题，减少区域的分割，我们可以使用基于区域的CNN，它可以进行区域选择。

2、基于区域的卷积集神经网络介绍

2.1 RCNN简介

和在大量区域上工作不同，RCNN算法提出在图像中创建多个边界框，检查这些边框中是否含有目标物体。RCNN使用选择性搜索来从一张图片中提取这些边框。

首先，让我们明确什么是选择性搜索，以及他是如何辨别不同区域的。组成目标物体通常有四个要素：变化尺度、颜色、结构（材质）、所占面积。选择性搜索会确定物体在图片中的这些特征，然后基于这些特征凸出不同区域。

下面是选择搜索（selective research）的一个简单案例：

（1）首先将一张图片作为输入；

（2）之后，他会生成最初的sub-分割，将图片分成多个区域；

（3）基于颜色、结构、尺寸、形状，将相似的区域合并成更大的区域；

（4）最后，生成最终的目标物体位置（Region of Insterest）。

用RCNN检测目标物体的步骤如下：

（1）我们首先取一个预训练卷积神经网络。

（2）根据需要检测的目标类别数量，训练网络的最后一层。

（3）得到每张图片的感兴趣区域（Region of Interest）,对这些区域重新改造，以让其符合CNN的输入尺寸要求。

（4）得到这些区域後，我们训练支持向量机（SVM）来辨别目标物体和背景。对每个类别，我们都要训练一个二元SVM.

（5）最后，我们训练一个线性回归模型，为每个辨识到的物体生成更精确的边界框。

具体案例:
（1）输入一张图片

（2）选择性搜索得到感兴趣的区域

（3）将这些区域输入到CNN中，经过卷积网络

（4）CNN为每个区域提取特征，利用SVM将这些区域分成不同类别；

（5）最后用边界框回归预测每个区域的边界框位置。

2.2 RCNN的问题

训练一个RCNN模型非常昂贵，并且步骤较多：

（1）选择性搜索，要对每张图片提取2000个单独区域;

（2）用CNN提取每个区域的特征。假设我们有N张图片，那么CNN特征就是N*2000;

（3）用RCNN进行目标检测的整个过程有三个模型；

a:用于特征提取的CNN

b:用于目标物体辨别的线性SVM分类器

c:调整边界框的回归模型

这些过程合并在一起，会让RCNN的速度变慢，通常每个新图片需要40-50秒的时间进行预测，基本上无法处理大型数据集。

3、Fast RCNN

3.1 Fast RCNN简介

想要减少RCNN算法的计算时间，可以用什么方法？我们可不可以在每张图片上使用一次CNN即可得到全部的重点关注区域呢，而不是运行2000次。

RCNN的作者Ross Girshick提出了一种想法，在每张照片上只运行一次CNN，然后找到一种方法在2000个区域中进行计算。在Fast RCNN中，我们将图片输入到CNN中，会相应地生成传统特征映射。利用这些映射，就能提取出感兴趣的区域。之后，我们使用一个ROI池化层将所有提出的区域重新修正得到合适的尺寸。以输入到完全链接的网络中。

简单地说，这一过程含有以下步骤：

（1）输入图片;

（2）输入到卷积网络中，它生成感兴趣区域；

（3）利用ROI池化层对这些区域重新调整，将其输入到完全连接网络中。

（4）在网络的顶层应用softmax层输出类别。同样使用一个线性回归层，输出相应层的边界框。

所以，和RCNN所需要的三个模型不同，Fast RCNN只用了一个模型就同时实现了区域的特征提取、分类、边界框生成。

同样，我们还用上面的图像作为案例，进行更直观的讲解。

（1）首先，输入图像;

（2）图像被传递到卷积网络中，返回感兴趣的区域；

（3）之后，在区域上应用ROI池化层，保证每个区域的尺寸相同；

（4）最后，这些区域被传递到一个完全连接的网络中进行分类，并用softmax和线性回归同时返回边界框。

3.2Fast RCNN的问题

但是即使这样，Fast RCNN也有某些局限性。它同样用的是选择性搜索作为寻找感兴趣区域的，这一过程通常较慢。与RCNN不同的是，Fast RCNN处理一张图片大约需要2秒。但是在大型真实数据集上，这种速度仍然不够理想。

4、Faster RCNN

4.1 Faster RCNN简介

Faster RCNN是Faste RCNN的优化版本，二者主要的不同在于感兴趣区域的生成方法，Fast RCNN使用的是选择性搜索，而Faster RCNN用的是Region Proposal网络(RPN)。RPN将图像特征映射作为输入，生成一系列object proposals，每个都带有相应的分数。

下面是Faster RCNN工作的大致过程：

（1）输入图像到卷积网络中，生成该图像的特征映射。

（2）在特征映射上应用Region Proposal Network，返回object proposals和相应分数。

（3）应用ROI池化层，将所有proposals修正到同样尺寸。

（4）最后，将proposals传递到完全连接层，生成目标物体的边界框。

那么Region Proposal Network具体是如何工作的呢？首先，将CNN中得来的特征映射输入到Faster RCNN中，然后将其传递到Region Proposal Network中。RPN会在这些特征映射上使用一个滑动窗口，每个窗口会生成具有不同形状和尺寸的k个anchor box:

Anchor boxes是固定尺寸的边界框，它们有不同形状和大小，每个anchor，RPN都会预测两点：

（1）首先是anchor就是目标物体的概率（不考虑类别）

（2）第二个就是anchor经过调整能更合适目标物体的边界框回归量。

现在我们有了不同形状、尺寸的边界框，将它们传递到ROI池化层中。经过RPN的处理，proposals可能没有所述的类别。我们可以对每个proposal进行切割，让它们都含有目标物体。这就是ROI池化层的作用。之后，这些特征映射会传递到完全连接层，对目标进行分类并预测边界框。

4.2Faster RCNN的问题

目前位置，我们所讨论的所有目标检测算法都用区域来辨别目标物体。网络并非一次性浏览所有图像爱嗯，而是关注图像的多个部分。这就会出现两个问题：