经典目标检测神经网络 - RCNN、SSD、YOLO

文章目录

• • 1. 目标检测算法分类
  • 2. 区域卷积神经网络
  • • 2.1 R-CNN
    • 2.2 Fast R-CNN
    • 2.3 Faster R-CNN
    • 2.4 Mask R-CNN
    • 2.5 速度和精度比较
  • 3. 单发多框检测（SSD）
  • 4. YOLO

1. 目标检测算法分类

目标检测算法主要分两类：One-Stage与Two-Stage。One-Stage与Two-Stage是两种不同的思路，其各有各的优缺点。

One-Stage
    主要思路：直接通过卷积神经网络提取特征，预测目标的分类与定位；

Two-Stage
    主要思路：先进行区域生成，即生成候选区域（Region Proposal），在通过卷积神经网络预测目标的分类与定位；

优缺点

优缺点	One-Stage	Two-Stage
优点	速度快；避免背景错误产生false positives； 学到物体的泛化特征	精度高(定位、检出率)；Anchor机制；共享计算量
缺点	精度低(定位、检出率)；小物体的检测效果不好	速度慢；训练时间长；误报相对高

从目前看，在移动端一般使用 One-Stage算法。现在很难说，精度和准确率的问题，因为影响因素不仅仅取决于算法，还跟数据集大小、图像标注质量、训练参数等有很大的关系。

主要算法

One-Stage：YOLO系列（v1-v8），SSD系列（R-SSD、DSSD、FSSD等），Retina-Net，DetectNet，SqueezeDet。

Two-Stage：RCNN系列（Fast-RCNN、Faster-RCNN、Mask-RCNN），SPPNet，R-FCN。

---

2. 区域卷积神经网络

2.1 R-CNN

使用启发式搜索算法来选择锚框。

使用预训练模型来对每个锚框抽取特征。

训练一个SVM来对类别分类。

训练一个线性回归模型来预测边缘偏移框。

当锚框每次选择的大小不同，我们如何使这些锚框称为一个batch呢？

兴趣区域（ROI）池化层

ROI Pooling

• 给定一个锚框，均匀分割成$n\times m$块，输出每块里的最大值
• 不管锚框多大，总是输出$nm$个值

2.2 Fast R-CNN

对图片整体抽取特征。

• 不再对每一个锚框做CNN的特征抽取，而是对图片整体使用CNN进行特征抽取
• 使用RoI池化层对每个锚框生成固定长度特征

2.3 Faster R-CNN

• 使用一个区域提议网络来代替启发式搜索，来获得更好的锚框。
  

2.4 Mask R-CNN

• 如果有像素级别的标号，使用FCN来利用这些信息
• 在无人车领域运用较多

在做像素级别预测时，边界位置不要发生太多的错位。

2.5 速度和精度比较

总结：

• R-CNN是最早、也是最有名的一类基于锚框和CNN的目标检测算法
• Fast/Faster R-CNN持续提升性能
• Faster R-CNN和Mask R-CNN是在最求高精度场景下的常用算法

---

3. 单发多框检测（SSD）

SSD全称Single Shot Multibox Detector，是一种单阶段目标检测器。其优点是原始的YOLO和Faster R-CNN在推理速度和精度之间取得了更好的平衡。SSD模型是由Wei Liu等人在使用卷积神经网络（CNN）进行目标检测的研究中，提出的一种改进思路。

SSD用于图像分类、物体检测和语义分割等各种深度学习任务。相对于其他目标检测算法，SSD模型有更高的精度，而且速度也是非常快的。其主要思路是通过在CNN的最后几层添加多个预测层实现多尺度的目标检测，然后通过一个过滤策略对每个检测框进行筛选，最后输出最终的检测结果。

生成锚框

• 对每个像素，生成多个以它为中心的锚框
• 给定n个大小为$s_1,s_2,...,s_n$和$m$个高宽比，那么生成$n+m-1$锚框，其大小和高宽比分别为：

$$(s_1,r_1),(s_2,r_1),...,(s_n,r_1),(s_1,r_2),...,(s_1,r_m)$$

SSD模型

• 一个基础网络来抽取特征，然后多个卷积层块来减半高宽
• 在每段都生成锚框
  • 底部段来拟合小物体，顶部短来集合大物体
• 对每个锚框预测类别和边缘框

总结:

• SSD通过单神经网络来检测模型
• 以每个像素为中心的产生多个锚框
• 在多个段段输出上进行多尺度的检测

---

4. YOLO

You Only Look Once

YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎。

Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。

yolo尽量让锚框不重叠。

• SSD中锚框大量重叠，因此浪费了很多计算
• yolo将图片均匀分成$S\times S$个锚框
• 每个锚框预测$B$个边缘框
• 后续版本（V2，V3，V4…）有持续改进

YOLO家族进化史（V1-V8）

• YOLOv1
• YOLOv2：对YOLOv1进行改进
• YOLOv3：对YOLOv2进行改进
• YOLOv4：对YOLOv3进行改进
• YOLOv5：对YOLOv4进行改进
• YOLOx：以YOLOv3作为基础网络进行改进
• YOLOv6：由美团推出，更加适应GPU设备，算法思路类似YOLOv5（backbone+neck）+YOLOX（head）
• YOLOv7：是YOLOv4团队的续作，检测算法与YOLOv4，v5类似
• YOLOv8：是YOLOv5团队进一步开发的