床长人工智能教程免费文档pdf——目标检测算法综述 包括

.

声明：本人只是分享一些床长人工智能教程相关的免费pdf文档而已，并非床长人工智能网校的收费文章。尊重版权，支持原创！

年初的目标检测算法综述

本文只讲基于深度学习的主要算法。

前言

如，深度学习算法之后的目标检测算法主要有两个分支，和算法。

算法主要是系列，包括,，，其中和之间过渡了一个。

之后在框架的基础上，又出现了更好的网络。

之后的融合了架构和，以及里的方法，在多完成了的同时也提高了的。

算法最早是后面又更新了，，该算法速度极快，也极低。

之后出现了速度和兼具的在基础上又出现了，，，等改进网络。

还有解决了算法里正负样本极不平衡问题的。

算法和算法的区别在于，算法会先使用一个网络生成，如和网络，前者是基于一些人造特征来的，是一个也需要进行训练的网络，出现后，方法基本就被摒弃。

网络接在像特征提取网络后和之后的网络架构共用特征提取层，会设置对网络进行训练，生成的再送到后面的网络中进行更精细的和。

追求速度舍弃了架构，即不再设置单独网络生成，而是直接在上进行密集抽样，产生大量的先验框，如的网格方法和沿用的方法。

这些先验框没有经过两步处理，且框的尺寸往往是人为规定，精度肯定会比较低，而且论文中提到，产生的先验框正负样本比例严重失衡背景样本占多数，会引起训练上的问题正是为了解决这个问题。

在首次引入后，后面很多网络不论是还是算法大都使用了该方法，如，，等，虽然没用但是升级版使用了。

不过在年问世后，的算法火了起来。

后来又相继出现了，等算法。

其实的算法在年的中就被提出，第一版也是的，该类方法的架构比基于的算法更简单和易于理解，不过类算法能达到算法的精度，也是建立在前人的成果上的，主要是和等。

值得一提的是，大神参与或主导了，，，，等的网络，甚至目前在领域，的网络也是的截至年月，是时候打印一张大神的照片挂墙上了。

该架构是的基础，建议将论文和官方代码都仔细读一遍，论文详解出门左拐一文读懂

检测时的主要步骤为

使用算法从待检测像中提取个左右的区域候选框，这些候选框可能包含要检测的目标。

把所有侯选框缩放成固定大小原文采用。

用提取每个候选框的特征，得到固定长度的特征向量。

把特征向量送入进行分类得到类别信息，送入全连接网络进行回归得到对应位置坐标信息。

的问题对于选取的每个候选框都单独做一次卷积运算，计算量太大特征向量提取出来后送给分类器进行分类，之后再送入全连接网络进行回归，没有实现端到端的训练。

的改进

只对原进行一次卷积运算，然后将在原上用选取的候选框按位置映射到获得的特征上，获得上的候选框。

由于直接在特征上进行，得到的候选框尺寸不一样，为了统一尺寸输入到后面的网络中，采用了如下的网络，即。

不同的候选框都采取种不同尺寸的，尺寸即将候选框划分成个格子，每个格子内部进行，尺寸就是全局的，之后再将中尺寸的结果直接在一起，形成的特征，输入到之后的全连接网络中。

沿用了将候选框映射到特征上的方法，不过使用了的缩减版，即只有一个尺寸的。

将不同尺寸的输入成单一尺寸的特征，从而输入片可以是任意尺寸，变形过程通常是缩小，所以称为。

假设变形前的尺寸为，要求变形后统一输出尺寸，则将变形前区域分成单位为和的网格网格个数为个，再对每个网格进行即可。

这种方法会有非整数出现,此时用的实际上是最近邻插值，会带来精度上的问题使用双线性插值解决了这个问题。

另外，去掉了之前使用的分类器，而是用完成分类，同时分支做回归，结合两种一同训练。

网络

在的基础上不再使用方法产生候选框，方法太耗时间，而是添加了一个网络用于生成候选框，网络生成的过程使用了方法，这也是最大的贡献。

网络接在像特征提取网络后，共享了特征提取层。

网络的卷积后，对每个像素点，可以上采样映射到原始像一个区域网络的感受野，映射方法和正好相反，见，找到这个感受野的中心位置，然后基于这个中心位置按规则选取种论文中三种面积，个，即对特征的每个像素都设置个候选区域。

这些都是对应于原的尺寸，可以直接使用标记的候选框和分类结果进行训练。

其中

把每个标定的与其重叠最大的记为前景样本。

保证每个至少对应一个正样本

剩余的与某个重叠大余的记为前景样本。

每个可能会对应多个正样本。

但每个正样本只可能对应一个

与任意一个标记重叠小于的记为背景样本。

其余的舍弃。

在训练过程中，经历了个阶段

特征，对于一个的像，的数量在个。

训练时，去掉超过像边界的，还剩下个。

由于有些直接重叠部分过多，使用算法去除重叠部分，剩下个。

论文里算法的设置为。

最后从之后的候选框中选来进行后续的。

训练方法四步训练法

单独训练网络，网络参数由预训练模型载入

单独训练网络，将第一步的输出候选区域作为检测网络的输入。

具体而言，输出一个候选框，通过候选框截取原像，并将截取后的像通过几次，然后再通过和再输出两条支路，一条是目标分类，另一条是回归。

截止到现在，两个网络并没有共享参数，只是分开训练了

再次训练，此时固定网络公共部分的参数，只更新独有部分的参数

那的结果再次微调网络，固定网络公共部分的参数，只更新独有部分的参数。

注意和前面的不是同一个东西，里的是，里的是

特征金字塔较于基础网络如,，等，有种相较于的感觉当然里的除外，是的一个组件，而不是重新创建了一个新的。

在信息的传导上，就更有种的感觉了，虽然当前特征层的信息经过卷积会传到下一层，但是还是会选择性地丢掉很多信息，所以不如结合多个特征层的信息一起作用于后面的分类和回归，虽然计算量变大，但是精度会提高正是给上个层每一个单元都添加了权重，相当于利用了每个单元的信息，而不再只是最后一个单元的信息。

实际上，在像的卷积网络里，低层分辨率高，语义特征没有捕捉很充分，不适合做分类但是很适合做分割任务，实际上不同分辨率的特征也适合不同尺寸的目标检测，分辨率高的更有利于小物体的检测。

而最大的好处就是提供了多尺度的特征表达，这个好处可以给很多任务带来质变。

为了应对的问题，其实最简单的方法就是设置多种尺度的像，每种尺度单独训练一个网络用于检测，如下所示。

但这种方法效率不达标，会使的时间大大增加，在端到端地训练网络时内存需求也是极大的，这导致了没有在里使用。。。