目标检测方法总结（R-CNN系列）

目标检测方法系列——R-CNN, SPP, Fast R-CNN, Faster R-CNN, YOLO, SSD

 

目录

  • 相关背景

  • 从传统方法到R-CNN

  • 从R-CNN到SPP

  • Fast R-CNN

  • Faster R-CNN

  • YOLO

  • SSD

  • 总结

  • 参考文献

  • 推荐链接

 

 

相关背景

  • 14年以来的目标检测方法（以R-CNN框架为基础或对其改进）

 

  • 各方法性能对比

  • 分类，定位，检测三种视觉任务的简单对比

  • 一般的目标检测方法

从传统方法到R-CNN

  • R-CNN的三大步骤：得到候选区域，用cnn提取特征，训练分类器（后两步放在一个网络中，用softmax做分类器也可以）

从R-CNN到SPP

  • R-CNN必须限制输入图像大小（全连接层要求）

  • SPP的两大优势：可变输入大小 + 各patch块之间卷积计算是共享的

  • SPP的缺陷：multi-stage，训练和测试都比较慢

Fast R-CNN

  • Fast R-CNN通过ROI pooling（一层的SPP）,multi-task等改进大大提高速度

  • Fast R-CNN的优势与弱势

Faster R-CNN

  • Faster R-CNN对于Fast R-CNN的改进在于把region proposal的步骤换成一个CNN网络（RPN）

  • Faster R-CNN的两个base model: ZF，VGG16 （base model的中间conv输出即为要输入到RPN的那个feature map）

  • Faster R-CNN的锚点anchor box

  • Faster R-CNN的损失函数

  • Faster R-CNN的四步训练

YOLO

  • 从Faster R-CNN到YOLO

  • YOLO的pipeline

  • YOLO的网络结构

  • YOLO的模型（最右图为网络输出的tensor）

  • YOLO的损失函数

  • YOLO的优势和劣势

SSD

  • SSD的pipeline和关键技术

  • SSD的网络结构

  • SSD的多尺度特征图

  • SSD的default box

  • SSD的default box与faster r-cnn的anchor box的对比

  • SSD的训练样本与groundTruth的匹配策略 + 损失函数

  • SSD的default box和尺度选择

总结

  • 从R-CNN → SPP → Fast R-CNN → Faster R-CNN → YOLO → SSD整体在准确率和速度上都在提高

 

参考文献

  • R-CNN

      • Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: CVPR. (2014)

  • SPP

      • He, K., Zhang, X., Ren, S., Sun, J.: Spatial pyramid pooling in deep convolutional networks for visual recognition. In: ECCV. (2014)

  • Fast R-CNN

      • Girshick, R.: Fast R-CNN. In: ICCV. (2015)

  • Faster R-CNN

      • Ren, S., He, K., Girshick, R., Sun, J.: Faster R-CNN: Towards real-time object detection with region proposal networks. In: NIPS. (2015)

  • YOLO

      • Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: Unified, real-time object detection. In: CVPR. (2016)

  • SSD

      • W. Liu, D. Anguelov, D. Erhan, C. Szegedy, and S. Reed. SSD: Single shot multibox detector. arXiv:1512.02325v2, 2015

 

 

推荐链接

posted @ 2016-12-21 11:41  lilicao  阅读(9363)  评论(1)  编辑  收藏  举报