基于DL的目标检测技术：R-CNN、Fast R-CNN、Faster R-CNN

目标检测：在给定的图片中精确找到物体所在位置，并标注出物体的类别。
目标检测=图像识别（CNN）+定位（回归问题/取图像窗口）

遇到多物体识别+定位多个物体？
用选择性搜索找出可能含有物体的框（候选框）判定得分。这些框之间是可以互相重叠互相包含的，从而避免暴力枚举的所有框了。

1.R-CNN

步骤一：训练（或者下载）一个分类模型（比如AlexNet）
步骤二：对该模型做fine-tuning

• 修改分类数
• 去掉最后一个全连接层

步骤三：特征提取

• 提取图像的所有候选框（选择性搜索）
• 对于每一个区域：修正区域大小以适合CNN的输入，做一次前向运算，将第五个池化层的输出（就是对候选框提取到的特征）存到硬盘
  

步骤四：训练一个SVM分类器（二分类）来判断这个候选框里物体的类别

• 每个类别对应一个SVM，判断是不是属于这个类别，是就是正类，反之负类

步骤五：训练一个回归器精细修正候选框位置：对于每一个类，训练一个线性回归模型去判定这个框是否框得完美。

速度瓶颈

计算机对所有候选框进行特征提取时会有重复计算。

2.Fast R-CNN

在RCNN的基础上采纳了SPP Net方法（空间金字塔池化）

• 整张图输入CNN提取一次特征
• 找出每个候选框在feature map上的映射patch

速度瓶颈

选择性搜索，找出所有的候选框这个过程也耗时

3.Faster R-CNN

在Fast R-CNN的基础上加入一个提取候选区域的网络RPN(Region Proposal Network)，代替了费时的选择性搜索，使得检测速度大幅提高。

具体做法

• 将RPN放在CNN最后一个卷积层的后面
• RPN直接训练得到候选区域

RPN简介

• 本质是 “ 基于滑窗的无类别目标检测器 ” :
• 在feature map上滑动窗口产生锚点
• 建立一个神经网络用于物体分类+框位置的回归
• 滑动窗口的位置提供了物体的大体位置信息
• 框位置的回归提供了框更精确的位置