近些年来，深度卷积神经收集(DCNN)在图像分类和辨认上取得了很明显的进步。回想大年夜 2014 到 2016 这两年多的时光，先后出现出了 R-CNN，Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD 等越来越快速和精确的目标检测办法。

1. 基于 Region Proposal 的办法

该类办法的根本思惟是：先获得候选区域再对候选区域进行分类和边框回归。

1.1 R-CNN[1]

R-CNN 是较早地将 DCNN 用到目标检估中的办法。个中间思惟是对图像中的各个候选区域先用 DCNN 进行特点提取并应用一个 SVM 进行分类，分类的结不雅是一个初略的检测结不雅，之后再次应用 DCNN 的特点，结合另一个 SVM 回归模型获得更精确的界线框。

个中获取候选区域的办法是常用的 selective search。 一个图形中可以获得大年夜约 2000 个不合大年夜小、不合类其余候选区域，他们须要被变换到同一个尺寸以适应 CNN 所处理的图像大年夜小(227x227)。

ION 也是基于 Region Proposal 的，在获得候选区域的基本上，为了进一步进步在每一个候选感兴趣区域 ROI 的猜测精度，ION 推敲了却合 ROI 内部的信息和 ROI 以外的信息，有两个立异点：一是应用空间递归神经收集(spatial recurrent neural network)把高低文(context)特点结合，而不是只应用 ROI 内的局部特点 ，二是将不合卷积层获得的特点连接起来，作为一个多标准特点用来猜测。

该文┞仿中应用的 CNN 构造来自 AlexNet, 已经在 ImageNet 数据集上的 1000 个类其余分类义务中练习过，再经由过程参数微调使该收集构造适应当文┞仿中的 21 个类其余分类义务。

该办法在 VOC 2011 test 数据集上取得了 71.8% 的检测精度。该办法的缺点是：1，练习和测试过程分为好几个阶段：获得候选区域，DCNN 特点提取, SVM 分类、SVM 界线框回归，练习过程异常耗时。2，练习过程中须要保存 DCNN 获得的特点，很占内存空间。3， 测试过程中，每一个候选区域都要提取一遍特点，而这些区域有必定重叠度，各个区域的特点提取自力计算，效力不高，使测试一幅图像异常慢。

[2] Girshick, Ross. "Fast r-cnn." ICCV2015.

1.2 Fast R-CNN[2]

在 R-CNN 的基本上，为了使练习和测试过程更快，Ross Girshick 提出了 Fast R-CNN，应用 VGG19 收集构造比 R-CNN 在练习和测试时分别快了 9 倍和 213 倍。其重要设法主意是: 1， 半数个图像进行卷积获得特点图像而不是对每个候选区域分别算卷积;2，把候选区域分类和边框拟合的两个步调结合起来而不是分开做。道理图如下：

该文┞仿中应用 ROI Pooling Layer 将不合大年夜小的候选区域的特点转化为固定大年夜小的特点图像，其做法是：假设候选区域 ROI 的大年夜小为, 要输出的大年夜小为, 那么就将该 ROI 分成 个格子，每一个格子的大年夜小为, 然后对每一格子应用 max-pooling 获得目标大年夜小的特点图像。

候选区域的分类和边框拟合的结合是经由过程一个双义务的收集构造：应用两个全连接的输出层分别进行类别猜测和边框猜测 (如上图所示)，将这两个义务进行同时练习，应用一个结合价值函数：

公式中的两项分别是 classification loss 和 regression loss。该办法比拟于 R-CNN 快了不少。特别是在测试一幅新图像时，如不雅不推敲生成候选区域的时光，可以达到及时ｌ测。生成候选区域的 selective search 算法处理一张图像大年夜概须要 2s 的时光，是以成为该办法的一个瓶颈。

1.3 Faster R-CNN[3]

[5] Kong, Tao, et al. "HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection." arXiv preprint arXiv:1604.00600 (2016).

膳绫擎两种办法都依附于 selective search 生成候选区域，十分耗时，那么可弗成以直接应用卷积神经收集获得候选区域呢?如许的话就几乎可以不花额外的时光价值就能获得候选区域。

Shaoqing Ren 提出了 Faster R-CNN 来实现这种设法主意：假设有两个卷积神经收集，一个是区域生成收集，获得图像中的各个候选区域，另一个是候选区域的分类和边框回归网路。这两个收集的前几层都要计算卷积，如不雅让它们在这几层共享参数，只是在末尾的几层分别实现各自的特定的目标义务，那么对一幅图像只需用这几个共享的卷积层进行一次前向卷积计算，就能同时获得候选区域和各候选区域的类别及边框。

候选区域生成收集(Region Proposal Network, RPN)办法的道理图如上，先经由过程对输入图像的数层卷积获得一个特点图像，然后在特点图像上生成候选区域，做法是应用一个(3)的滑动窗口，将局部的特点图像转换成一个低维特点, 猜测个的区域(cls 层，个输出)是否为候选区域和对应的个边框(reg 层，个输出)。这里的个区域被称为锚(anchor)， 对应着与滑动窗口具有雷同的中间的不合大年夜小和不合长宽比的矩形框。假设卷积后的特点图像大年夜小为, 那么一共有个锚。这种特点提取和候选区域生成的办法具有位移不变性。

应用 RPN 获得候选区域后，对候选区域的分类和边框回归仍然应用 Fast R-CNN。这两个收集应用合营的卷积层。 因为 Fast R-CNN 的练习过程中须要应用固定的候选区域生成办法，不克不及同时对 RPN 和 Fast R-CNN 应用反向传播算法进行练习。该文┞仿应用了四个步调完成练习过程：1，零丁练习 RPN;2，应用步调中 1 获得的区域生成办法零丁练习 Fast R-CNN; 3, 应用步调 2 获得的收集作为初始收集练习 RPN。4， 再次练习 Fast R-CNN, 微调参数。

　　推荐阅读

　　干货｜国内外十大主流采集软件盘点

大年夜数据技巧用了多年时光进行演变，才大年夜一种看起来很炫酷的新技巧变成了企业袈溱临盆经营中实际安排的办事。个中，数据采集产品迎来了广阔的市场前景，无论国表里，市情上都出现了>>>详细阅读

本文标题：深度卷积神经网络在目标检测中的进展

地址：http://www.17bianji.com/lsqh/34952.html

 1/2    1