基础目标检测算法介绍

基础目标检测算法介绍：CNN、RCNN、Fast RCNN和Faster

RCNN

解决目标检测任务的简单方法（利用深度学习）

一、CNN

首先我们要说的就是在图像目标检测中用途最广、最简单的深度学习方法——卷积神经网络（CNN）。我要讲的是CNN的内部工作原理，首先让我们看看下面这张图片。

向网络中输入一张图片，接着将它传递到多个卷积和池化层中。最后输出目标所属的类别。

1图片的输入

2、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后，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，我们就需要分割很多个区域，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，以及它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，然后基于这些特征突出不同区域。下面是选择搜索的一个简单案例：

首先将一张图片作为输入：

之后，它会生成最初的sub-分割，将图片分成多个区域：

基于颜色、结构、尺寸、形状，将相似的区域合并成更大的区域：

最后，生成最终的目标物体位置（Region of Interest）。

用RCNN检测目标物体的步骤如下：

我们首先取一个预训练卷积神经网络。

根据需要检测的目标类别数量，训练网络的最后一层。

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。

得到这些区域后，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。

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。下面我们就用具体的案例解释一下。

首先，将以下图片作为输入：

之后，我们会用上文中的选择性搜索得到感兴趣区域：

将这些区域输入到CNN中，并经过卷积网络：

CNN为每个区域提取特征，利用SVM将这些区域分成不同类别：

最后，用边界框回归预测每个区域的边界框位置：

这就是RCNN检测目标物体的方法。

2.2 RCNN的问题

现在，我们了解了RCNN能如何帮助进行目标检测，但是这一技术有自己的局限性。训练一个RCNN模型非常昂贵，并且步骤较多：

根据选择性搜索，要对每张图片提取2000个单独区域；

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；用RCNN进行目标检测的整个过程有三个模型：

用于特征提取的CNN

用于目标物体辨别的线性SVM分类器

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。

所以，这里我们介绍另一种能突破这些限制的目标检测技术。

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只使用一次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，就能提取出感兴趣区域。之后，我们使用一个Rol池化层将所有提出的区域重新修正到合适的尺寸，以输入到完全连接的网络中。

简单地说，这一过程含有以下步骤：

输入图片。

输入到卷积网络中，它生成感兴趣区域。

利用Rol池化层对这些区域重新调整，将其输入到完全连接网络中。

在网络的顶层用softmax层输出类别。同样使用一个线性回归层，输出相对应的边界框。

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。

首先，输入图像：

图像被传递到卷积网络中，返回感兴趣区域：

之后，在区域上应用Rol池化层，保证每个区域的尺寸相同：

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和线性回归层同时返回边界框：

3.2 Fast 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Fast 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：

输入图像到卷积网络中，生成该图像的特征映射。

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