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-CNN2.2 Fast R-CNN2.3 Faster R-CNN2.4 Mask R-CNN2.5 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-StageTwo-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
×
m
\ n\times\ m
n× m块，输出每块里的最大值不管锚框多大，总是输出
n
m
nm
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
s_1,s_2,...,s_n
s1,s2,...,sn和
m
m
m个高宽比，那么生成
n
+
m
−
1
n+m-1
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
)
(s_1,r_1),(s_2,r_1),...,(s_n,r_1),(s_1,r_2),...,(s_1,r_m)
(s1,r1),(s2,r1),...,(sn,r1),(s1,r2),...,(s1,rm)
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
×
S
S\times S
S×S个锚框每个锚框预测
B
B
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）
YOLOv1YOLOv2：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
好文链接
发表评论