object detection我的理解，就是在給定的圖片中精確找到物體所在位置，并標注出物體的類別。object detection要解決的問題就是物體在哪里，是什么這整個流程的問題。然而，這個問題可不是那么容易解決的，物體的尺寸變化范圍很大，擺放物體的角度，姿態不定，而且可以出現在圖片的任何地方，更何況物體還可以是多個類別。

object detection技術的演進：RCNN->SppNET->Fast-RCNN->Faster-RCNN

從圖像識別的任務說起這里有一個圖像任務：既要把圖中的物體識別出來，又要用方框框出它的位置。

上面的任務用專業的說法就是：圖像識別+定位圖像識別（classification）：輸入：圖片輸出：物體的類別評估方法：準確率

定位（localization）：輸入：圖片輸出：方框在圖片中的位置（x,y,w,h）評估方法：檢測評價函數 intersection-over-union ( IOU )

卷積神經網絡CNN已經幫我們完成了圖像識別（判定是貓還是狗）的任務了，我們只需要添加一些額外的功能來完成定位任務即可。

定位的問題的解決思路有哪些？思路一：看做回歸問題看做回歸問題，我們需要預測出（x,y,w,h）四個參數的值，從而得出方框的位置。

步驟1:? 先解決簡單問題， 搭一個識別圖像的神經網絡? 在AlexNet VGG GoogleLenet上fine-tuning一下

步驟2:? 在上述神經網絡的尾部展開（也就說CNN前面保持不變，我們對CNN的結尾處作出改進：加了兩個頭：“分類頭”和“回歸頭”）? 成為classification + regression模式

步驟3:? Regression那個部分用歐氏距離損失? 使用SGD訓練

步驟4:? 預測階段把2個頭部拼上? 完成不同的功能

這里需要進行兩次fine-tuning第一次在ALexNet上做，第二次將頭部改成regression head，前面不變，做一次fine-tuning

Regression的部分加在哪？

有兩種處理方法：? 加在最后一個卷積層后面（如VGG）? 加在最后一個全連接層后面（如R-CNN）

regression太難做了，應想方設法轉換為classification問題。regression的訓練參數收斂的時間要長得多，所以上面的網絡采取了用classification的網絡來計算出網絡共同部分的連接權值。

思路二：取圖像窗口? 還是剛才的classification + regression思路? 咱們取不同的大小的“框”? 讓框出現在不同的位置，得出這個框的判定得分? 取得分最高的那個框

左上角的黑框：得分0.5

右上角的黑框：得分0.75

左下角的黑框：得分0.6

右下角的黑框：得分0.8

根據得分的高低，我們選擇了右下角的黑框作為目標位置的預測。注：有的時候也會選擇得分最高的兩個框，然后取兩框的交集作為最終的位置預測。

疑惑：框要取多大？取不同的框，依次從左上角掃到右下角。非常粗暴啊。

總結一下思路：對一張圖片，用各種大小的框（遍歷整張圖片）將圖片截取出來，輸入到CNN，然后CNN會輸出這個框的得分（classification）以及這個框圖片對應的x,y,h,w（regression）。

這方法實在太耗時間了，做個優化。原來網絡是這樣的：

優化成這樣：把全連接層改為卷積層，這樣可以提提速。

物體檢測（Object Detection）當圖像有很多物體怎么辦的？難度可是一下暴增啊。

那任務就變成了：多物體識別+定位多個物體那把這個任務看做分類問題？

看成分類問題有何不妥？? 你需要找很多位置， 給很多個不同大小的框? 你還需要對框內的圖像分類? 當然， 如果你的GPU很強大， 恩， 那加油做吧…

看做classification， 有沒有辦法優化下？我可不想試那么多框那么多位置啊！有人想到一個好方法：找出可能含有物體的框（也就是候選框，比如選1000個候選框），這些框之間是可以互相重疊互相包含的，這樣我們就可以避免暴力枚舉的所有框了。

大牛們發明好多選定候選框的方法，比如EdgeBoxes和Selective Search。以下是各種選定候選框的方法的性能對比。

有一個很大的疑惑，提取候選框用到的算法“選擇性搜索”到底怎么選出這些候選框的呢？那個就得好好看看它的論文了，這里就不介紹了。

R-CNN橫空出世

基于以上的思路，RCNN的出現了。

步驟一：訓練（或者下載）一個分類模型（比如AlexNet）

步驟二：對該模型做fine-tuning? 將分類數從1000改為20? 去掉最后一個全連接層

步驟三：特征提取? 提取圖像的所有候選框（選擇性搜索）? 對于每一個區域：修正區域大小以適合CNN的輸入，做一次前向運算，將第五個池化層的輸出（就是對候選框提取到的特征）存到硬盤

步驟四：訓練一個SVM分類器（二分類）來判斷這個候選框里物體的類別每個類別對應一個SVM，判斷是不是屬于這個類別，是就是positive，反之nagative比如下圖，就是狗分類的SVM

步驟五：使用回歸器精細修正候選框位置：對于每一個類，訓練一個線性回歸模型去判定這個框是否框得完美。

RCNN的進化中SPP Net的思想對其貢獻很大，這里也簡單介紹一下SPP Net。

SPP NetSPP：Spatial Pyramid Pooling（空間金字塔池化）它的特點有兩個:

1.結合空間金字塔方法實現CNNs的對尺度輸入。一般CNN后接全連接層或者分類器，他們都需要固定的輸入尺寸，因此不得不對輸入數據進行crop或者warp，這些預處理會造成數據的丟失或幾何的失真。SPP Net的第一個貢獻就是將金字塔思想加入到CNN，實現了數據的多尺度輸入。

如下圖所示，在卷積層和全連接層之間加入了SPP layer。此時網絡的輸入可以是任意尺度的，在SPP layer中每一個pooling的filter會根據輸入調整大小，而SPP的輸出尺度始終是固定的。

2.只對原圖提取一次卷積特征

在R-CNN中，每個候選框先resize到統一大小，然后分別作為CNN的輸入，這樣是很低效的。所以SPP Net根據這個缺點做了優化：只對原圖進行一次卷積得到整張圖的feature map，然后找到每個候選框zaifeature map上的映射patch，將此patch作為每個候選框的卷積特征輸入到SPP layer和之后的層。節省了大量的計算時間，比R-CNN有一百倍左右的提速。

Fast R-CNNSPP Net真是個好方法，R-CNN的進階版Fast R-CNN就是在RCNN的基礎上采納了SPP Net方法，對RCNN作了改進，使得性能進一步提高。

R-CNN與Fast RCNN的區別有哪些呢？先說RCNN的缺點：即使使用了selective search等預處理步驟來提取潛在的bounding box作為輸入，但是RCNN仍會有嚴重的速度瓶頸，原因也很明顯，就是計算機對所有region進行特征提取時會有重復計算，Fast-RCNN正是為了解決這個問題誕生的。

大牛提出了一個可以看做單層sppnet的網絡層，叫做ROI Pooling，這個網絡層可以把不同大小的輸入映射到一個固定尺度的特征向量，而我們知道，conv、pooling、relu等操作都不需要固定size的輸入，因此，在原始圖片上執行這些操作后，雖然輸入圖片size不同導致得到的feature map尺寸也不同，不能直接接到一個全連接層進行分類，但是可以加入這個神奇的ROI Pooling層，對每個region都提取一個固定維度的特征表示，再通過正常的softmax進行類型識別。另外，之前RCNN的處理流程是先提proposal，然后CNN提取特征，之后用SVM分類器，最后再做bbox regression，而在Fast-RCNN中，作者巧妙的把bbox regression放進了神經網絡內部，與region分類和并成為了一個multi-task模型，實際實驗也證明，這兩個任務能夠共享卷積特征，并相互促進。Fast-RCNN很重要的一個貢獻是成功的讓人們看到了Region Proposal+CNN這一框架實時檢測的希望，原來多類檢測真的可以在保證準確率的同時提升處理速度，也為后來的Faster-RCNN做下了鋪墊。

畫一畫重點：R-CNN有一些相當大的缺點（把這些缺點都改掉了，就成了Fast R-CNN）。大缺點：由于每一個候選框都要獨自經過CNN，這使得花費的時間非常多。解決：共享卷積層，現在不是每一個候選框都當做輸入進入CNN了，而是輸入一張完整的圖片，在第五個卷積層再得到每個候選框的特征

原來的方法：許多候選框（比如兩千個）-->CNN-->得到每個候選框的特征-->分類+回歸現在的方法：一張完整圖片-->CNN-->得到每張候選框的特征-->分類+回歸

所以容易看見，Fast RCNN相對于RCNN的提速原因就在于：不過不像RCNN把每個候選區域給深度網絡提特征，而是整張圖提一次特征，再把候選框映射到conv5上，而SPP只需要計算一次特征，剩下的只需要在conv5層上操作就可以了。

在性能上提升也是相當明顯的：

Faster R-CNNFast R-CNN存在的問題：存在瓶頸：選擇性搜索，找出所有的候選框，這個也非常耗時。那我們能不能找出一個更加高效的方法來求出這些候選框呢？解決：加入一個提取邊緣的神經網絡，也就說找到候選框的工作也交給神經網絡來做了。做這樣的任務的神經網絡叫做Region Proposal Network(RPN)。

具體做法：? 將RPN放在最后一個卷積層的后面? RPN直接訓練得到候選區域

RPN簡介：? 在feature map上滑動窗口? 建一個神經網絡用于物體分類+框位置的回歸? 滑動窗口的位置提供了物體的大體位置信息? 框的回歸提供了框更精確的位置

一種網絡，四個損失函數;? RPN calssification(anchor good.bad)? RPN regression(anchor->propoasal)? Fast R-CNN classification(over classes)? Fast R-CNN regression(proposal ->box)

速度對比

Faster R-CNN的主要貢獻是設計了提取候選區域的網絡RPN，代替了費時的選擇性搜索，使得檢測速度大幅提高。

最后總結一下各大算法的步驟：RCNN1. 在圖像中確定約1000-2000個候選框 (使用選擇性搜索)2. 每個候選框內圖像塊縮放至相同大小，并輸入到CNN內進行特征提取3. 對候選框中提取出的特征，使用分類器判別是否屬于一個特定類4. 對于屬于某一特征的候選框，用回歸器進一步調整其位置

Fast RCNN1. 在圖像中確定約1000-2000個候選框 (使用選擇性搜索)2. 對整張圖片輸進CNN，得到feature map3. 找到每個候選框在feature map上的映射patch，將此patch作為每個候選框的卷積特征輸入到SPP layer和之后的層4. 對候選框中提取出的特征，使用分類器判別是否屬于一個特定類5. 對于屬于某一特征的候選框，用回歸器進一步調整其位置

Faster RCNN1. 對整張圖片輸進CNN，得到feature map2. 卷積特征輸入到RPN，得到候選框的特征信息3. 對候選框中提取出的特征，使用分類器判別是否屬于一個特定類4. 對于屬于某一特征的候選框，用回歸器進一步調整其位置

總的來說，從R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN一路走來，基于深度學習目標檢測的流程變得越來越精簡，精度越來越高，速度也越來越快。可以說基于region proposal的R-CNN系列目標檢測方法是當前目標檢測技術領域最主要的一個分支。