深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD

RPN 工作道理：

在最后卷积获得的特点图上，应用一个 3×3 的窗口在特点图上滑动，然后将其映射到一个更低的维度上(如 256 维)，
在每个滑动窗口的地位上，RPN 都可以基于 k 个固定比例的 anchor box(默认的界线框)生成多个可能的区域。
每个 region proposal 都由两部分构成：a)该区域的 objectness 分数。b)4 个表征该区域界线框的坐标。

图中 2k 分数代表了 k 中每一个界线框正好覆盖「目标」的 softmax 概率。这里留意到，尽管 RPN 输出了界线框的坐标，然而它并不会去对任何可能的目标进行分类：它惟一的工作仍然是给出对象区域。如不雅一个 anchor box 在特定阈值之上存在一个「objectness」分数，那么这个界线框的坐标就会作为一个 region proposal 被向前传递。

一旦我们有了 region proposal，我们就直接把他们输入一个本质上是 Fast R-CNN 的模型。我们再添加一个池化层、一些全连接层以及最后，一个 softmax 分类层和界线框回归器(bounding box regressor)。所以在某种意义上，Faster R-CNN=RPN+Fast R-CNN。

总体而言，Faster R-CNN 较 Fast R-CNN 在速度上有了大年夜幅晋升，并且其精确性也达到了最尖端的程度。值得一提的是，尽管将来的模许可以或许在检测速度上有所晋升，然则几乎没有模型的表示能明显超出 Faster R-CNN。换句话说，Faster R-CNN 也许不是目标检测最简单、最快的办法，然则其表示照样今朝最佳的。例如，Tensorflow 应用 Inception ResNet 打造的 Faster R-CNN 就是他们速度最慢，但却最精准的模型。

R-FCN

R-FCN，或称 Region-based Fully Convolutional Net(基于区域的全卷积收集)，可以在每个输出之间完全共享计算。作为全卷积收集，它在模型设计过程中碰到了一个特别的问题。

一方面，当对一个目标进行分类义务时，我们欲望学到模型中的地位不变性(location invariance)：无论这只猫涌如今图中的哪个地位，我们都想将它分类成一只猫。另一方面，当进行目标检测义务时，我们欲望进修到地位可变性(location variance)：如不雅这只猫在左上角，那么我们欲望在图像左上角这个地位画一个框。所以，问题出现了，如不雅想在收集中 100% 共享卷积计算的话，我们应当如安在地位不变性(location invariance)和地位可变性(location variance)之间做出衡量呢?

R-FCN 的解决筹划：地位敏感分数图

每个地位敏感分数图都代表了一个目标类(object class)的一个相干地位。例如，只如果在图像右上角检测到一只猫，就会激活一个分数图(score map)。而当体系看见左下角出现一辆车瓯，另一个分数图也将会被激活。本质上来讲，这些分数图都是卷积特点图，它们被练习来辨扰绫强个目标的特定部位。

以下是 R-FCN 的工作方法：

在输入图像上运行一个 CNN(本例中应用的是 ResNet)。
添加一个全卷积层，以生成地位敏感分数图的 score bank。这里应当有 k²(C+1) 个分数图，个中，k²代表切分一个目标的相干地位的数量(比如，3²代表一个 3×3 的空间网格)，C+1 代表 C 个类外加一个背景。
运行一个全卷积 region proposal 收集(RPN)，以生成感兴趣区域(regions of interest，RoI)。
对于每个 RoI，我们都将其切分成同样的 k²个子区域，然后将这些子区域作为分数图。
对每个子区域，我们检查其 score bank，以断定这个子区域是否匹配具体目标的对应地位。比如，如不雅我们处在「上-左」子区域，那我们就会获取与这个目标「上-左」子区域对应的分数图，并且在感兴趣区域(RoI region)里对那些值取平均。对每个类我们都要进行这个过程。
一旦每个 k²子区域都具备每个类的「目标匹配」值，那么我们就可以对这些子区域求平均值，获得每个类的分数。
经由过程对剩下 C+1 个维度向量进行 softmax 回归，来对 RoI 进行分类。

下面是 R-FCN 的示意图，用 RPN 生成 RoI：

SSD 的工作方法听上去很直接，然则练习它却会见临一个不一般的挑衅。在之前那两个模型那边，region proposal 收集可以确保每个我们测验测验进行分类的对象都邑有一个作为「目标」的最小概率值。然而，在 SSD 这里，我们跳过了这个筛选步调。我们大年夜图像中每个单一地位那边进行分类并画出外形、大年夜小不合的界线框。经由过程这种办法，我们可以生成比其余模型更多的界线框，然则它们根本上满是负面样本。

还记得 Fast R-CNN 是若何经由过程在所有 region proposal 上共享同一个 CNN，来改良检测速度的吗?这也是设计 R-FCN 的一个念头：经由过程最大年夜化共享计算来晋升速度。

当然，即便有上述文字以及图片的解释，你可能仍然不太明白这个模型的工作方法。诚实说，当你可以实际看到 R-FCN 的工作过程时，你会发明懂得起来会加倍简单。下面就是一个在实践中应用的 R-FCN，它正在大年夜图中检猜一?婴儿：

SSD

我们只用简单地让 R-FCN 去处理每个 region proposal，然后将其切分成子区域，在子区域上反复询问体系：「这看起来像是婴儿的『上-左』部分吗?」，「这看起来像是婴儿的『上-中』部分吗?」，「这看起来像是婴儿的『上-右』部分吗?」等等。体系会对所有类反复这个过程。如不雅有足够的子区域表示「是的，我切实其实匹配婴儿的┞封个部分!」那么 RoI 就会经由过程对所有类进行 softmax 回归的方法被分类成一个婴儿。」

2/3 首页上一页 1 2 3 下一页尾页

　　推荐阅读

　　在Linux中运行sudo命令不需要密码

对于组而言，在组名前面应用 % 字符;这意味着 sys 组的所有成员都可以不消暗码应用sudo 。【沙龙】51CTO诚邀您9月23号和多位技巧大年夜咖一路聊智能CDN的优化之路，抓紧时光哦！假设你在只>>>详细阅读

本文标题：深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD

地址：http://www.17bianji.com/lsqh/37531.html

1/2 1