深度学习基础--目标检测常见算法简介(R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、SSD、YOLO)

博主简介：努力学习的22级本科生一枚 🌟​；探索AI算法，C++，go语言的世界；在迷茫中寻找光芒​🌸​
博客主页：羊小猪~~-CSDN博客
内容简介：常见目标检测算法简介​😕​​😕​​😕​​😕​​😕​​😕​​😕​​😕​​😕​
往期内容：深度学习基础–目标检测入门简介-CSDN博客

文章目录

• 1、tow-stage
• • R-CNN
  • Fast R-CNN
  • Faster R-CNN
  • Mask R-CNN
• 2、one-stage
• • 单发多宽检测(SSD)
  • YOLO
• 3、参考资料

1、tow-stage

R-CNN

最早的目标检测模型。

📖 简介：

传统目标检测的思路，采用提取框，对每个提取框进行特征提取、图像分类、非极大值抑制四个步骤进行检测。

对于一张图片来说，R-CNN首先会基于启发式搜索算法生成大约2000个候选区域，然后每个区域固定大小，并且传入一个CNN模型中，最后得到一个特征向量，这个向量会传到一个SVM模型中，进行类别计算，进行分类，并且，最后运用 了一个边界框回归模型，通过边框回归模型对框的准确位置进行修正。

📚 解释一些名词：

• 启发式搜索，这个算很难，也包含很多算法，简单理解他的作用是在图片上选取物体可能出现的区域框(锚框);
• 非极大值抑制：是一种在目标检测中去除冗余边界框的后处理算法，通过保留局部得分最高的检测框并抑制与其重叠度（IoU）超过阈值的低得分框，实现检测结果的唯一性与精确性；这个在上一篇博客中已经简单介绍了(深度学习基础–目标检测入门简介-CSDN博客)，就是去除多余的锚框；

🐾 算法步骤：

1. 使用启发式搜索来选择锚框；
2. 使用预训练模型来对每个锚框抽取特征；
3. 训练一个SVM来对类别进行分类；
4. 训练一个线性回归模型来预测边缘框的偏移，这一步就是将锚框来预测他真实的位置(边缘框)偏移；

---

上面简介中提到每个区域固定大小，但是实际上用启发式算法进行搜索的时候，每次选择的锚框大小是不同的，将不同大小的锚框变成一个统一形状的算法就是Rol pooling;

💁‍♂ Rol pooling，也称感兴趣域池化层，作用是将大小不一的锚框统一形状。

📘 原理：

给定一个锚框，先将其均匀地分割成 n * m 块，然后输出每块里的最大值，这样的话，不管锚框有多大，只要给定了 n 和 m 的值，总是输出 nm 个值，达到统一形状的作用。

---

缺点：虽然有效提取了特征，但是速度非常慢，因为在第二个步骤用训练好的模型对每个锚框进行特征提取的时候，计算非常大(因为启发式算法大约生成2000个框)。

Fast R-CNN

🐤R-CNN:

• 对每个锚框分别进行特征提取；
• R-CNN是前向传播的，而且比如说对一张图片划分了2000张锚框，那么在进行特征提取的时候通常会有重叠部分，故导致了从重复计算。Fast R-CNN就是解决这个问题的；

🥅 Fast R-CNN网络图：

🚂 原理简介，与R-CNN对比着看：

• 首先由两进行两部计算，分别是锚框生成、图片特征提取，对应着上图中两条分支：

  • 锚框生成：和R-CNN一样；

  • 特征提取(CNN)：对于一张图片，首先使用CNN对整张图片进行特征提取；

• Rol pooling这里有两步：

  • 1️⃣映射：锚框(selective search)按照一定比例映射到特征提取(CNN)的输出上；
  • 2️⃣ Rol pooing：这一步和R-CNN一样，统一锚框大小。

• 之后采用一个全连接层进行分类(R-CNN用的是SVM)，输出类别。

---

🚅比R-CNN快的原因：最核心的原因就是只需要对整体图片进行一次特征提取就行了，不需要分别对每个锚框进行特征提取。

Faster R-CNN

这个算法的改进是提出来RPN(区域建议网络)来代替selective search；

🔖 RPN简介：

这个网络学习的时候理解起来还是有难度的😢

🎡 作用：生成大量很差的锚框，然后进行预测，最终输出比较好的锚框供后面网络使用(预测效果好的会进入Rol Pooing)；

😿 原理简介：

• CNN特征提取后，再次运用一次卷积操作，然后用启发式算法搜索来初始化锚框；

• 然后判断锚框是否包含物体，这里分为两步：

  • 1️⃣ 分类：RPN对每个锚框进行分类，判断他是否包含目标物体，这里输出的是一个概率值；
  • 2️⃣ 回归：调整锚框位置和大小；

• 最后采用NMS对锚框进行筛选。

---

🉐 特点：精度高，但是计算量巨大，慢。

Mask R-CNN

这个算法是对Faster R-CNN基础上修改而来，他的作用是：解决传统目标检测，即只输出边界框无法提供像素级分割信息的问题。

像素级分割：生成每个物体的精确轮廓掩码.

从图像看的话，对比Fast R-CNN，有两个不同：

• 用Rol align代替Rol pooling；
• 在Rol align上新增一个分支；

---

这个难度我学的时候也很蒙，感觉好难😢

在学这个网络前，先学一下什么叫做二值掩码：

• 二值掩码是一种由0和1(或255)组成的二值图像，用于标记原始图像中需要关注或操作的区域。上图的右下部分图。

🔬 难度大，梳理一下网络:

1. 特征提取
   • 输入图像通过卷积神经网络生成特征图。
2. 区域建议网络（RPN）
   • 在特征图上生成锚框，通过分类和回归生成候选区域，这部分和Fast R-CNN一样。
3. RoI Align
   • 将候选区域映射到特征图上，使用双线性插值提取固定大小的特征（如 7×77×7 或 14×1414×14），与Rol pooling不同的是映射算法不同。
4. 分类与回归分支
   • 对每个 RoI 进行分类和边界框修正，这部分和Fast R-CNN一样。
5. 掩码分支
   • 对每个 RoI 生成二值掩码，最终通过阈值化得到像素级分割结果，先理解为对不同物体分别进行不同颜色可视化即可😭，由于是像素级别的，故大概轮廓也能显示出来。
6. 全连接层
   • 进行图片分类。

2、one-stage

单发多宽检测(SSD)

👀 先看网络结构：

初看网络结构，可以观察到他也是前向传播的，而且在传播的时候一直进行预测。

👀再看

👓 特点：

• 对给定的锚框直接进行预测，不需要进行两个阶段，这也是为什么比Faster R-CNN快的原因；

• SSD 通过做不同分辨率下的预测来提升最终的效果，越到底层的 feature map，就越大，越往上，feature map 越少，因此底层更加有利于小物体的检测，而上层更有利于大物体的检测）

😢 缺点：

• 速度快，但是精度不好。

YOLO

➿ 用最多的模型。

📚 解释：

• 尽量让锚框不重叠—–》将图片均匀分成S X S个锚框。

• 每个锚框预测B个边缘框，这个意思是一个锚框可能有多个物体，故在他身边预测多个锚框进行特征提取、分类，如上图中的蓝色圆圈。

YOLO有很多版本，也非常值得学习的。

3、参考资料

• 【44 物体检测算法：R-CNN，SSD，YOLO【动手学深度学习v2】】https://www.bilibili.com/video/BV1Db4y1C71g?vd_source=1fd424333dd77a7d3e2e741f7d6fd4ee
• R-CNN_百度百科
• 李沐动手学深度学习V2-目标检测SSD_深度学习与目标检测 第2版第二版-CSDN博客