基于 CNN 特征区域进行目标检测

目标检测是目前计算机视觉领域最热门的技术之一，该领域的研究一直在以非常快的速度进行。

但究竟什么是物体检测？对象检测处理通过给定输入（图像或视频）中的边界识别和定位某些类的对象。

截至目前，一些最成功的对象检测算法如下：

1. 基于区域的 CNN：RCNN、Fast RCNN、Faster RCNN

2. YOLO

3. SSD

一、R-CNN：

该算法在图像中查找可能包含对象的特定区域（使用选择性搜索）并通过 CNN 提取特征，提取的特征用于预测它们周围的类和边界框。

RCNN 基础步骤：

1. 从输入图像中提取了大约 2000 个自下而上的区域。

2. 无论候选区域的大小或纵横比如何，我们都将围绕边界框中的所有像素扭曲到所需的大小。对于每个提议，它使用大型 CNN 计算特征。

3. 它使用特定类的线性 SVM 对每个区域进行分类。

4. 该算法还预测了四个偏移值，以提高边界框的精度。

缺点：

1. 训练缓慢：每张图像应该分类大约 2000 个区域建议，这需要大量时间。

2. 推理速度慢：使用 VGG16 大约需要 47 秒/每张图像。

二、Fast R-CNN ：

Fast R-CNN 是 R-CNN 算法的继承者。与之前讨论的 R-CNN 相比，Fast R-CNN 多项更改，使其更快、更准确。R-CNN 的主要问题是它在不共享计算的情况下为每个区域提议执行 CNN 传递。Fast R-CNN 通过通过 CNN 转发整个图像来改进 R-CNN。

它包括以下步骤：

1. 整个图像通过CNN向前传递，生成卷积特征图。

2. 从卷积特征图中识别感兴趣的区域，并在其上应用ROI 池化层以将它们全部重塑为相同的大小。然后将每个建议传递给一个完全连接的层。

3. 然后并行使用 Softmax 层和线性回归层来输出类和边界框。

缺点：

尽管 Fast R-CNN 在速度和准确性方面是对 R-CNN 的改进，但它仍然使用选择性搜索区域提议，这实际上是一个耗时的过程。

三、Faster R-CNN ：

Faster R-CNN 是对 Fast R-CNN 的进一步改进。Fast R-CNN 和 Faster R-CNN 之间的主要区别在于它使用区域提议网络 (RPN) 来生成感兴趣的区域。

以下是Faster R-CNN的步骤：

1. 整个图像通过 CNN 向前传递以生成卷积特征图（就像我们在 Fast R-CNN 的情况下所做的那样）。

2. 通过在这些特征图上应用区域提议网络 (RPN) 来识别感兴趣的区域，这些特征图返回具有对象性分数的对象提议。

3. 对它们应用ROI池化层使它们具有相同的大小，然后将提案传递到全连接层。

4.在其顶部应用Softmax层和线性回归层对边界框进行分类和输出。

Faster R-CNN 是我们在本文中讨论的对象检测算法中最好的，对象检测不仅限于基于区域的 CNN。

参考：

1. http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture11.pdf
2. https://arxiv.org/pdf/1311.2524.pdf
3. https://arxiv.org/pdf/1504.08083.pdf