zchang81的博客

SPPnet（Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition）的特点是接受任意大小候选区域，经过可变的池化后生成固定长度的特征。SPPnet可提升 24-102 倍R-CNN检测的速度。

目标检测算法种类及展望

近日，谷歌在其开源博客上发表了一篇名为《Supercharge your Computer Vision models with the TensorFlow Object Detection API》的文章，通过 TensorFlow Object Detection API 将谷歌内部使用的物体识别系统（2016 年 10 月，该系统在 COCO 识别挑战中名列第一）开源给更大的社区，帮助打造更好的计算机视觉模型。机器之心对该文进行了编译，原文链接请见文末。

SSD（Single Shot MultiBox Detector）算是一个比较不错的目标检测算法，主攻方向是速度，当然精度也比Yolo提高了一些

图片标注主要是用来创建自己的数据集，方便进行深度学习训练。

DSOD模型不仅参数更少（适合于手机、无人机等资源受限的设备）、性能更强，更重要的是不需要在大数据集（如ImageNet）上预训练，使得DSOD的网络结构设计非常灵活，根据自己的应用场景可以设计自己所需要的网络结构。

一篇讲通过改进NMS来提高检测效果的论文。

R-FCN是在Faster R-CNN的框架上进行改造，第一，把base的VGG16换车了ResNet，第二，把Fast R-CNN换成了先用卷积做prediction，再进行ROI pooling。

R-FCN-3000在ImageNet检测数据集上获得34.9％的mAP，在每秒处理30帧图像的同时，可以以18％的优势超过YOLO-9000。

近日谷歌发布了 MobileNet 网络架构，它是一系列在 TensorFlow 上高效、小尺寸的移动优先型视觉模型，其旨在充分利用移动设备和嵌入式应用的有限的资源，有效地最大化模型的准确性。MobileNet 是小型、低延迟、低功耗的参数化模型，它可以满足有限资源下的各种应用案例。它们可以像其他流行的大规模模型（如 Inception）一样用于分类、检测、嵌入和分割任务等。

本文的方法最大亮点在于把RNN引入检测问题（以前一般做识别）。文本检测，先用CNN得到深度特征，然后用固定宽度的anchor来检测text proposal（文本线的一部分），并把同一行anchor对应的特征串成序列，输入到RNN中，最后用全连接层来分类或回归，并将正确的text proposal进行合并成文本线。这种把RNN和CNN无缝结合的方法提高了检测精度。

深度学习物体检测常用资源综述，包括R-CNN 、Fast-RCNN、Faster-RCNN、YOLO、SSD等

Fast R-CNN融合了R-CNN和SPP-NET的精髓，并且引入多任务损失函数，使整个网络的训练和测试变得十分方便。

RCNN(Region CNN) 是用深度学习进行物体检测的开山之作。先将候选区域通过selective search检测出来(2000个左右)，然后根据cnn提取的每一个候选区域特征送入svm进行分类，得到一个物体类别和边框，最后利用回归算法微调得到具体的边框。

YOLO（You Only Look Once）是一种新的目标检测方法，该方法的特点是实现快速检测的同时还达到较高的准确率。作者将目标检测任务看作目标区域预测和类别预测的回归问题。该方法采用单个神经网络直接预测物品边界和类别概率，实现端到端的物品检测。同时，该方法检测速非常快，基础版可以达到45帧/s的实时检测；FastYOLO可以达到155帧/s。与当前最好系统相比，YOLO目标区域定位误差更大，但是背景预测的假阳性优于当前最好的方法。

SSD （Single Shot MultiBox Detector）方法同时兼顾了 mAP 和实时性的要求。对于输入图像大小为 300*300 在 VOC2007 test 上能够达到 58 帧每秒( Titan X 的 GPU )，72.1% 的 mAP。输入图像大小为 500 *500 , mAP 能够达到 75.1%。

YOLOv2网络通过在每一个卷积层后添加batch normalization，极大的改善了收敛速度同时减少了对其它regularization方法的依赖（舍弃了dropout优化后依然没有过拟合），使得mAP获得了2%的提升。

YOLO ->SSD -> YOLO2路线是基于回归检测进化路线，一句话来描述 来描述进化过程：YOLO：RCNN系列对象检测太慢了，能快点吗？SSD ：YOLO速度是上来了，可是mAP太低了？YOLO2：结合YOLO和Faster RCNN网络各自快速和mAP高的优点，能满足实时和较高的mAP的要求吗？

对象检测（Object Detection）最全的资料

传统对象检测这一问题基本是遵循着“设计手工特征(Hand-crafted feature)+分类器”的思路，可以认为是计算机用一个小的矩形窗口不断在图像上滑动、缩放，然后用分类器预测当前滑动窗口所在区域是否存在一个感兴趣的对象。RCNN系列算法的核心思想就是把对象检测转换成了一个图像分类问题。

zchang81博客博文导航1、深度学习基础2、深度学习数据集3、深度学习目标检测4、TensorFlow学习笔记

faster RCNN模型是在fast RCNN的基础上，把候选区域集成到统一的网络中，形成端到端的检测模型。faster RCNN可以简单地看做“区域生成网络 + fast RCNN“的系统，用区域生成网络RPN代替fast RCNN中的Selective Search方法产生候选区域。

作者：张皓【新智元导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割。本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。图像分类(image classi