44物体检测算法：R-CNN，SSD，YOLO【动手学深度学习v2】

深度学习学习笔记
学习视频：https://www.bilibili.com/video/BV1if4y147hS/?spm_id_from=333.337.search-card.all.click&vd_source=75dce036dc8244310435eaf03de4e330

目标检测中的常用算法，首先是区域卷积神经网络，最早的模型是R-CNN（居于区域的CNN）。

R-CNN

启发式搜索算法来选择锚框：选出很多锚框之后，对每个锚框当做一张图片，使用训练好的模型来抽feature，训练一个SVM来对类别进行分类。使用线性回归来预测锚框与真实框的偏移。

锚框选择后，怎么保证锚框能变成一个batch，使用办法为兴趣区域池化（RoI 池化）: 将一个锚框均匀切分成 nm 块，输出每块中的最大值，做 RoI Pooling，输出nm个值，这样不同的锚框会输出同样大小的batch。

之后出现的模型是 Fast RCNN

Fast RCNN

改进：一张图片抽1000个锚框的话，要用1000次CNN抽取feature，那么计算量就太大了，Fast RCNN 首先对图片抽feature，对整张图片抽，而不是对一个锚框，然后再在图片上搜锚框，将锚框映射到CNN上面，再得到更小的锚框，之后用RoI pooling上对每个锚框抽取特征，最后到全连接层，在上面对每个锚框做预测和与真实边缘框的偏移。

主要地方是不是对每个锚框做抽取，而是对整个图片做抽取。再在抽取的特征上面再找锚框抽feature，之后就做预测了。

Faster RCNN

用神经网络替代之前的选择性抽取算法。

图片输入进CNN，把CNN的输出（再做一次卷积，然后生成很多的锚框，进行一次二分类训练，来预测这个锚框到底有没有框住物体和计算真实边界框之间的差别，输出一些好的锚框）送到RoI pooling ，最后对锚框中的物体预测和真实边框差别计算。（做了两次预测，一次糙一点的，一次精确一点的预测）。

Faster RCNN 精度很高，主要应用在对精度关注特别高时。工业界大多数更关心速度。

Mask RCNN

跟fast RCNN 没有太大区别，新变化为：如果有像素级标号，对每个像素做预测。 对RoI出来的东西，进行FCN和Mask预测。
RoI align

单发多框检测（SSD）

核心思想：RCNN主要是做了两个预测，SSD就只做一次预测。
SSD现在用的不多。

主要思想：对每个像素，以每个像素为中心生成多个锚框（与锚框那节生成方式一样）。

SSD模型：对给定的那些锚框，直接做预测。输入图片，先CNN抽取特征，每个像素生成多个锚框，每个锚框变成一个样本，进行预测类，判断是圈出了背景还是类并且计算与真实锚框之间的差别。SSD通过在多个分辨率下抽取特征，下层拿到比较大的输出，越到上层越小，在底层检测一些小的物体，在上面就检测 到大的物体。

SSD 相对来说速度比较快，但精度不太高。

YOLO （你只看一次）

YOLO 追求的是快，也是一个单神经网络的算法。
尽量让锚框不重叠，将一张图片均匀成多块，每一块就是一个锚框。

如绿色部分，一个块就是一个锚框。
每个锚框会去b个边缘框（也就是b个物体都和这个锚框很近）（最原始的做法，后面v2 v3 等等有些改进）。

Yolo v3 使用很多别的trick性能会提高， 比faster RCNN 要快很多。