Fast Rcnn
物体检测Faster Rcnn系列
目标检测概论
之前我们在机器学习了解过各种分类和回归算法
目标检测需要检测物体的位置，那么把目标检测看成回归任务？好像不太合适，因为一张图像可能有多个目标
那么看做分类问题呢
看成分类问题，用的是滑动窗口
把图片划分为几个区域，然后一个个预测是不是dog ，但是速度太慢了。 看成分类不太行，看成回归也不行，哪有没有一种更好的方法。
之前有一种做法是Select Search算法，先筛选出一些可能是物体的候选框
先看几种经典的目标检测算法
经典目标检测算法
R-CNN这个算法比较老了，就不做过多的介绍了。 既做分类也做回归，SVMs典型的分离器，Bbox reg 典型的回归。
首先Select Search找到输入图像的候选框 （2K个左右）分别进行卷积
这个过程就慢了，首先选候选框，然后用卷积提取特征，再把提取到的特征输入，svm和回归模型进行预测。14年的一个算法
R-CNN的问题，候选框没有共享卷积网络。卷积网络对输入图像大小没有限制，但是全连接层限制了神经网络，因为全连接层要保持一致，由于Select Search生成的框大小不一样 ，所以就用了不同的卷积网络。那么怎么样能共享卷积，共享卷积就要最终连接的全连接层上左边的权重是一致的，但是输入图像大小又不一样
而且一个检测分类一个回归，训练太慢了，检测一张图片47s
用SPP-net进行改进，输入图像大小不一样，最终得到的特征图大小也不一样
在普通的CNN机构中，输入图像的尺寸往往是固定的（比如224*224像素），通过裁剪或者放缩使输入大小一样，输出则是一个固定维数的向量。SPP Net在普通的CNN结构中加入了ROI池化层（ROI Pooling），使得网络的输入图像可以是任意尺寸的，输出则不变，同样是一个固定维数的向量。
通过金宇塔层，对特征图中每一个候选区进行划分，得到固定大小的特征向量。
对于任意大小的特征图（如B×C×H×W），Spatial Pyramid Pooling首先分别将特征图划分为若干数量的子块，然后对这些子块计算最大池化，将计算结果进行拼接即可得到固定大小的输出。
上图采用了三个分支，分别将特征图划分1×1、2×2、4×4大小的子块，然后对每个子块进行最大池化，即将不同大小的子块都转化为一个值，将池化之后的结果进行拼接即可得到一个大小固定为21维的输出。如此一来，无论输入特征图的尺寸发生如何变化，Spatial Pyramid Pooling均可将其转化为固定大小的尺寸进行输出。
详细看这篇文章
经过第一代R-CNN，作者又提出第二代算法，fast R-CNN
之前是先找候选框，现在是先卷积得到特征图，然后在找特征图对应的候选框，特征图上一块区域对应原始图像的区域（感受野）。但是需要ROl，
可以看出fast rcnn主要时间都花费在候选框上（Region proposal），而且Select Search只能在cpu上运行
如何解决这个问题
faster R-CNN
R-CNN（第一代）,Fast R-CNN（第二代） , Faster R-CNN（第三代），第三代的主要改变就是增加了RPN层
RPN对特征图产生的候选框进行二分类，是不是一个物体，是物体后进行微调（bouding-box）产生的候选框和它最近的GT（Ground Truth）
接下来做的才是20分类，之前的2分类只是判断是不是物体，后面的分类才是判断具体是什么
Faster R-CNN已经可以做到1秒5张图片，效果展示
论文整体概述
全卷积，一秒5帧
为了同时检测大目标和小目标，一种比较常见的方式就是图像金字塔，把图像resize成不同的大小，虽然这样可以找到大物体和小物体，但是由于输入图像变多，速度会非常的慢
还有一种做法是对filter size做多种变换
2k表示，对于k个候选框，每个框是前景和背景的概率，k=9的话，就是18个结果；4k是每个框预测的x，y，w，h
还有一步过滤的操作
