最近有幸在專案上接觸到了深度學習中的目標檢測領域，通過數週來的實踐和相關知識的查閱，現在也算是在能在目標檢測入門處徘徊了。這篇文章會在三大目標檢測經典演算法原理上加上自己的理解，希望大家看了此文能不再一臉懵逼地出去。
目標檢測
什麼是目標檢測
一句話概括即：在檢視中檢測出物體的【類別】和【位置】。
目標檢測的三大演算法
上面我們已經說了，目標檢測就是分類和定位（迴歸，注：迴歸即得到確定值）的問題。分類問題我們可以輸入圖片至分類器處理，而定位問題需要將物體框選出來，那麼怎麼確定選框呢？這裡我們可能需要一堆的「侯選框」。
看到這裡我們大概確定了目標檢測問題需要兩步走：
- 侯選框選取；
- 將侯選框中的物體分類；（後面需要剔除得分低的框）
這樣就得到了【兩步走（Two-Stage）】的演算法原型，代表是【RCNN】，之後的【Fast-RCNN】、【Faster-RCNN】都是基於它迭代的。
那能不能在侯選框選取的同時預測分類呢？也是可以的，這樣就有了【SSD】和【YOLO】（One-Stage）。
下面我們來「稍微」詳細地說一下每個演算法具體的檢測步驟。（非科班同學，有錯誤還望指正～）
RCNN及其迭代物（2-stage）
1、主要思想
所謂RCNN就是【Region】+【CNN】。完美地對應到了上述說的選框+分類。
關於CNN是什麼，如果想要深入的話大家可以看看這篇文章：一文看懂卷積神經網路。這裡也簡要概括下，CNN即對輸入圖片通過【降維】（卷積、啟用、池化）等操作得到【圖片的特徵向量】作為【全連線層（就是多個神經網路層合併起來）】的輸入，最後輸出結果。
可以看下圖，[x1, x2...xn]就可以看作是降維後的特徵向量，然後通過神經網路處理得到輸出的結果。
Region就是我們上面提到的侯選框，RCNN對於候選區域的確定是通過視窗掃描的方式。玩個經典遊戲，在鳥中找到烏。我們可能會用眼睛逐行逐字掃描，這裡我們可以將每個字看成一個格子，然後判斷格子裡面的字是不是烏。這個過程其實就是對RCNN的粗糙理解了。前期的選區選擇主要採用的是【滑動視窗】技術，就是在檢視起始點中確定一個選框，然後每次將選框移動特定的距離，再對視窗中的物體進行檢測。
2、RCNN
看到上面，相信大家已經覺察到滑動視窗技術一個明顯的弊端，我們不好確定初始視窗是否恰好能包裹到需要檢測的物體，這就需要對初始視窗尺寸做非常多次的嘗試，如果待檢測物體數量較多，待檢測視窗的個數更是成倍的增加，而且每次嘗試都包含一次完整的CNN運算過程，這顯然是非常耗時的。
所以RCNN在侯選框的選擇上由滑動視窗技術改成了SS（selective search選擇性搜尋）技術。意思是通過紋理、顏色將檢視劃分開，再從中確定大約2000個區域作為候選區域，然後對其進行分類處理。
3、Fast-RCNN
Fast-RCNN的改進點在於：
- 首先將圖片輸入到CNN得到特徵圖
- 劃分出特徵圖中的SS區域（這個在原圖中得到）得到特徵框，在ROI池化層中將每個特徵框池化到統一大小
- 最後將特徵框輸入全連線層進行分類和迴歸
ROI池化層是將不同尺寸的特徵框轉化層相同尺寸的特徵向量，以便進行後續的分類和輸出迴歸框操作。它可以加速處理速度。
4、Faster-RCNN
Faster—RCNN步驟與Fast-RCNN類似。比較大的突破是：將侯選框提取技術由SS改為RPN。 RPN的簡要原理是：
- 為輸入特徵圖的每個畫素點生成9個侯選框，如下圖紅框處；
- 對生成的基礎侯選框做修正處理，就是刪除不包含目標的候選框；
- 對超出影像邊界的侯選框做裁剪處理
- 忽略掉長或者寬太小的侯選框
- 對當前所有候選框做得分高低排序，選取前12000個侯選框
- 排除掉重疊的侯選框
- 選取前2000個做二次修正
SSD（1-stage）
對比與RCNN，SSD省去了候選區域的選擇，而是將圖片的feature maps分成n*n（下圖n最大為38）個塊，在每個塊的中心點預設4～6個預設候選區域。
如下圖，SSD首先是將圖片進行特徵提取，然後再加入多個輔助卷積層，設定各層的預設候選區域。設定多個卷積層的原因是為了更好地識別不同尺寸的目標。
訓練時，將生成的預設候選區域與實際標註區域做交併集合處理，具體計算為：IoU =（候選 ∩ 實際）/（候選 ∪ 實際），若IoU值大於0.5，即其與實際區域正匹配，這樣我們就能得到目標的大致形狀。下圖為8*8的圖片，在檢測人時，SSD在單元格（4，5）的中心點（綠色點）處設定了3個預設侯選框（綠框），與真實框（藍框）對比，可以發現1、2的相似度比較高。
這裡簡單說明下多卷積層的用途。下圖中，b為8 * 8特徵圖，c為4 * 4特徵圖。對於貓的檢測，圖b可以較好地確定選擇區域。而對於狗的檢測，圖b的候選區域（右側）顯然沒很好地將目標包裹，而c特徵圖則比較好地處理了對狗的檢測。
因此，高解析度特徵圖有利於檢測小尺寸物體，低解析度特徵圖有利於檢測大尺寸物體
YOLO（1-stage）
YOLO大致的原理與SSD相似。但YOLO在檢測時只利用了最高層的feature maps，而不同於SSD使用了多個輔助卷積層生層多個尺寸的feature maps（金字塔結構）。這裡就不再贅述了。