目标检测的算法是如何进化的？

什么是目标检测？

目标检测是图像识别中的一个应用方向，它的目的就是要去定位图片中存在物体的位置。然后在去判断这个物体是什么类型。

目标检测的三大步骤

（1）区域选择

从图片中列举出可能存在物体的n个子图。

（2）特征提取

从列举的子图中提取出图像特征

（3）分类器

常用的分类器与svm，adaboost

目标检测算法存在着几个发展的阶段，下面将一一介绍

第一阶段：rcnn

在区域选择阶段，采用selective search或edge box的方式来获取到待预测的区域。相对于传统的穷举或是滑动窗口来说，selectIve search在算法的复杂对上要简单很多。selective search是根据图片的纹理，颜色，大小来筛选出带待识别的子图的。

selective search大概会选出大概2000个候选框。通过拉升变形使的子图处于同一规格。但是2000个候选框还是太多了。

所以在rcnn论文中，作者将候选框与groundtruth重叠度大于0.5的设置为正例（不是背景），小于0.5的设置为反例（背景）。最后随机选取32个正例和96个反例。

在特征提取阶段，rcnn采用卷积神经网络来提取固定长度的特征。原作者采用的是AlexNet网络。

在分类阶段，采用svm进行分类，原作者为每一类都训练了一个svm分类器。

使用rcnn算法进行目标检测时所遇到的问题？

a. 当我们提取候选区域的时候，可能会存在重叠度很大的两个候选区域。但其实，我们只需要一个就好了。

这个时候我们需要通过极大值抑制来解决这种情况。

非极大值抑制说的是，当存在重叠度大于一定阈值的区域时，会抛弃评分较低的那个区域。

b. selective search选出来的候选框P和人工选出来的候选框G存在差距，也就是selective search选出来的P框不准确。怎么解决？

通过bounding-box回归的方式，来矫正候选框的位置。试验所得，当Iou大于0.6的时候，位置矫正是有作用的。如果P离G太远，位置矫正是不起作用的。bounding-boxd单独训练。

第二阶段：fast-rcnn

在介绍fast-rcnn之前，先介绍一下sppnet算法。sppnet的作用在于，它可以使输入图片的大小不固定。如下图所示，我们可以看到，sppnet算法是于卷积层之后，全连接层之前的。sppnet的引入大大提高了rcnn网络的运行速度。

sppnet原理：

对卷积后的矩阵先进行4*4等分取（不能等分时取整）出每一块的极大值，再进行2*2等分取出每一块的极大值，再进行1*1等分取出每一块的极大值。加入卷积的通道数是C,那么将得到16C+4C+1C=21C。

下面开始介绍fast-rcnn

fast-rcnn相对rcnn的改进点如下：

（1）引入sppnet中的roi池化

（2）将bounding-box加入到rcnn网络当中

（3）用softmax代替svm用于分类

 

第三阶段 faster rcnn

faster rcnn改进了proposal region的提取方式，使用rpn网络代替了selective search，并且将一直分离的region proposal和cnn合并到了一直，大大提高了获取候选区域的位置的速度和精确率。

下面简单介绍一下faster-rcnn的流程

第一步，卷积提取特征；

第二步，使用rnp网络获取到候选框

第三步，使用roi池化得到所有候选区域的特征图

第四步，先判断图片的类别，然后在利用bouding box regression优化回归参数

更多详细内容可以参考https://www.cnblogs.com/chaofn/p/9310912.html

第四阶段

SSD,SSD相对于前面几种方法而言属于1阶段方法，前面几种方法数据2阶段方法。

SSD的特点如下：

1. 采用多尺度特征图，大的特征度用来检测小的物体，小的特征图用来检测大的物体。

2. 采用卷积的方式进行检测

3. 设置先先验框，每一个单元格都会有多个先验框。

SSD实现的流程图如下：

ssd的流程实际就是vgg16的流程，不同的从第4层开始，它不仅仅是简单地做一个卷积和池化的工作，它还需要进行目标检测和先验框回归的工作。

先验框的计算方式如下

一个像素点上怎样获取到4个先验框？

1. 先以 min_size为宽高生成一个框。

2. 如果存在max_size则用sqrt(min_size_ * max_size_)，生成一个框。

3. 然后根据 aspect_ratio，再去生成。如上面的配置文件，aspect_ratio=2，那么会自动的再添加一个aspect_ratiod = 1/2。

如果是6个框则是，1,2,3,1/2，1/3

每个卷积层上的先验框大小如何来确定？

原图像大小乘上一个固定的比例，这个比例随着卷积的进行再逐渐变大。

其中smin=0.2，smax=0.9，m=5。那么比例序列0.2,0.37，0.54，0.71,0.88，然后统一乘上300就是先验框的大小。

下面看看ssd的损失函数是如何弄的？

ssd的损失函数是由分类损失和框回归加权相加得到的。

其中位置误差的函数定义如下：