最近有幸在项目上接触到了深度学习中的目标检测领域，通过数周来的实践和相关知识的查阅，现在也算是在能在目标检测入门处徘徊了。这篇文章会在三大目标检测经典算法原理上加上自己的理解，希望大家看了此文能不再一脸懵逼地出去。

目标检测

什么是目标检测

一句话概括即：在视图中检测出物体的【类别】和【位置】。

目标检测的三大算法

上面我们已经说了，目标检测就是分类和定位（回归，注：回归即得到确定值）的问题。分类问题我们可以输入图片至分类器处理，而定位问题需要将物体框选出来，那么怎么确定选框呢？这里我们可能需要一堆的「侯选框」。

看到这里我们大概确定了目标检测问题需要两步走：

1. 侯选框选取；
2. 将侯选框中的物体分类；（后面需要剔除得分低的框）

这样就得到了【两步走（Two-Stage）】的算法原型，代表是【RCNN】，之后的【Fast-RCNN】、【Faster-RCNN】都是基于它迭代的。

那能不能在侯选框选取的同时预测分类呢？也是可以的，这样就有了【SSD】和【YOLO】（One-Stage）。

下面我们来「稍微」详细地说一下每个算法具体的检测步骤。（非科班同学，有错误还望指正～）

RCNN及其迭代物（2-stage）

1、主要思想

所谓RCNN就是【Region】+【CNN】。完美地对应到了上述说的选框+分类。

关于CNN是什么，如果想要深入的话大家可以看看这篇文章：一文看懂卷积神经网络。这里也简要概括下，CNN即对输入图片通过【降维】（卷积、激活、池化）等操作得到【图片的特征向量】作为【全连接层（就是多个神经网络层合并起来）】的输入，最后输出结果。

可以看下图，[x1, x2...xn]就可以看作是降维后的特征向量，然后通过神经网络处理得到输出的结果。

Region就是我们上面提到的侯选框，RCNN对于候选区域的确定是通过窗口扫描的方式。玩个经典游戏，在鸟中找到乌。我们可能会用眼睛逐行逐字扫描，这里我们可以将每个字看成一个格子，然后判断格子里面的字是不是乌。这个过程其实就是对RCNN的粗糙理解了。前期的选区选择主要采用的是【滑动窗口】技术，就是在视图起始点中确定一个选框，然后每次将选框移动特定的距离，再对窗口中的物体进行检测。

2、RCNN

看到上面，相信大家已经觉察到滑动窗口技术一个明显的弊端，我们不好确定初始窗口是否恰好能包裹到需要检测的物体，这就需要对初始窗口尺寸做非常多次的尝试，如果待检测物体数量较多，待检测窗口的个数更是成倍的增加，而且每次尝试都包含一次完整的CNN运算过程，这显然是非常耗时的。

所以RCNN在侯选框的选择上由滑动窗口技术改成了SS（selective search选择性搜索）技术。意思是通过纹理、颜色将视图划分开，再从中确定大约2000个区域作为候选区域，然后对其进行分类处理。

3、Fast-RCNN

Fast-RCNN的改进点在于：

1. 首先将图片输入到CNN得到特征图
2. 划分出特征图中的SS区域（这个在原图中得到）得到特征框，在ROI池化层中将每个特征框池化到统一大小
3. 最后将特征框输入全连接层进行分类和回归

ROI池化层是将不同尺寸的特征框转化层相同尺寸的特征向量，以便进行后续的分类和输出回归框操作。它可以加速处理速度。

4、Faster-RCNN

Faster—RCNN步骤与Fast-RCNN类似。比较大的突破是：将侯选框提取技术由SS改为RPN。
RPN的简要原理是：

1. 为输入特征图的每个像素点生成9个侯选框，如下图红框处；

1. 对生成的基础侯选框做修正处理，就是删除不包含目标的候选框；
2. 对超出图像边界的侯选框做裁剪处理
3. 忽略掉长或者宽太小的侯选框
4. 对当前所有候选框做得分高低排序，选取前12000个侯选框
5. 排除掉重叠的侯选框
6. 选取前2000个做二次修正

SSD（1-stage）

对比与RCNN，SSD省去了候选区域的选择，而是将图片的feature maps分成n*n（下图n最大为38）个块，在每个块的中心点预设4～6个默认候选区域。

如下图，SSD首先是将图片进行特征提取，然后再加入多个辅助卷积层，设定各层的默认候选区域。设置多个卷积层的原因是为了更好地识别不同尺寸的目标。

训练时，将生成的默认候选区域与实际标注区域做交并集合处理，具体计算为：IoU =（候选 ∩ 实际）/（候选 ∪ 实际），若IoU值大于0.5，即其与实际区域正匹配，这样我们就能得到目标的大致形状。下图为8*8的图片，在检测人时，SSD在单元格（4，5）的中心点（绿色点）处设置了3个默认侯选框（绿框），与真实框（蓝框）对比，可以发现1、2的相似度比较高。

这里简单说明下多卷积层的用途。下图中，b为8 8特征图，c为4 4特征图。对于猫的检测，图b可以较好地确定选择区域。而对于狗的检测，图b的候选区域（右侧）显然没很好地将目标包裹，而c特征图则比较好地处理了对狗的检测。

因此，高分辨率特征图有利于检测小尺寸物体，低分辨率特征图有利于检测大尺寸物体

YOLO（1-stage）

YOLO大致的原理与SSD相似。但YOLO在检测时只利用了最高层的feature maps，而不同于SSD使用了多个辅助卷积层生层多个尺寸的feature maps（金字塔结构）。这里就不再赘述了。