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

本文转载自：

http://www.cnblogs.com/lillylin/p/6207119.html

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

• Object detection methods (codes)

  • • https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html#r-cnn

• 所有目标检测方法的中文总结（博客）

  • • http://46aae4d1e2371e4aa769798941cef698.devproxy.yunshipei.com/cosmosshadow/article/details/50244715
    • http://www.cnblogs.com/venus024/p/5717766.html

• Faster RCNN的论文阅读

  • • http://www.voidcn.com/blog/sloanqin/article/p-5994844.html

• YOLO的论文阅读

  • • http://blog.youkuaiyun.com/tangwei2014/article/details/50915317
    • http://blog.youkuaiyun.com/cv_family_z/article/details/46803421

• R-FCN的论文阅读

  • • http://blog.youkuaiyun.com/u011534057/article/details/52733823

• SSD的论文阅读

  • • http://www.aichengxu.com/view/24600342
    • http://m.2cto.com/kf/201609/549802.html
    • http://www.itdadao.com/articles/c15a476096p0.html
    • http://blog.youkuaiyun.com/u011534057/article/details/52733686