RCNN + SPP + FAST RCNN + FASTER RCNN+ YOLO 论文总结

2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》，这篇文章的算法思想又被称之为：R-CNN（Regions with Convolutional Neural Network Features），是物体检测领域曾经获得state-of-art精度的经典文献。

这篇paper的思想，改变了物体检测的总思路，现在好多文献关于深度学习的物体检测的算法，基本上都是继承了这个思想，比如：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，所以学习经典算法，有助于我们以后搞物体检测的其它paper。

在R-CNN 之后，又出现了SPP，fast-RCNN，faster-RCNN，把原来RCNN 13s 处理一张图片的速度提高到了大概0.2s 处理一张图片。但是RCNN 是这各系列的方法的基础。不过据说好像这些算法都不能实现real-time，所有后来又出现了YOLO，SSD。

RCNN

2.1论文算法思路：

1) 输入一张图片

2) 定位出2000个proposal（把可能的物体框出来）

3) 用CNN 提取特征

4) 用SVM进行分类



因为这2000个proposal 框出的图片大小不同，但是利用caffe最后处理的时候要求所有照片的大小一致，否则就会报错。所以作者把框出的proposal resize 成227*227，然后对于每一个proposal，都进行一次特征提取。最后通过全连接层得到一个4096*1 维 的向量。这样做的优点是精度比较高，缺点是速度非常慢。如果是使用alexnet 跑voc12 的话精度大概在58.5%，如果用VGG的话精度大概在66%左右，但是VGG计算量比alexnet 要大很多。

通过CNN得到特征之后，作者采用了SVM 进行分类。这里是一个2分类处理。作者把小于-1 的负样本先刷掉，然后再通过非极大值抑制的方法处理proposal 相交的情况，所有找到能够代表最终检测结果的proposal，对它们进行回归，最后找到图像的分类。

但是这个方法有需要在CNN 和SVM之间进行切换。这样不但不方便，而且速度还很慢。更重要的是，因为要在CNN和SVM之间来回切换，这样会导致无法确定最优的模型。

RCNN存在非常多的缺陷。比如它的速度非常的慢，即使在GPU加速下也处理一张图片也需要13s，而且还要使用到SVM 分类器，所以还要在CNN网络和SVM分类器之间进行切换。另外由于它会对proposal进行resize，把所有的图像都变成227*227 的大小，这样会导致某些图像变形失真。

SPP-NET

针对这些问题，香港中文大学的大牛何凯明教授提出了SPP-net。

它主要是针对输入图像会变形失真进行处理。它代替了传统CNN的pool5层，使的它的pooling bins 的大小可变。这样的好处是是的图片不会因为resize 而变形。它把一张图片分成不同大小的super pixel，然后用它们组成大小不同的proposal，这样就提高了生成proposal 的速度。但是它还是存在缺陷。

FAST-RCNN

和RCNN一样，它还是采用了多阶段的训练过程，在CNN网络和SVM分类器之间切换，速度还是比较慢。



它的改进如下：

1) 输入从单输入变为双输入

2) 引入ROI pooling层（这个含有一层SPP）

3) 在全连接之后不再通过SVM分类，而是使用了softmax 和bbox regressor

通过这样的处理：

1) 它的速度提高了很多（训练速度是RCNN快了9倍，测试速度快了200多倍）

2) 而且训练中所有的层都可以得到更新

3) 不再需要SVM分类器来分类

FASTER-RCNN

最后比FAST RCNN 的是Faster-RCNN，后者提出的改进是对于proposal 的处理。Fast RCNN 需要对数据先做一个预处理（selective search），而SS比较耗时，但是faster RCNN 则是把这个放到了网络中（RPN），这样使得整个框架都可以在一个网络中运行。从proposal 的数量上看，SS一般会生成大概2000个proposal，但是RPN大概只有几百个，所以faster-RCNN 会更快。

6.YOLO （这个还不是很理解，还请大神指正）

不过好像因为RCNN 框架目前的瓶颈在于：把dectection 问题转成图片局部区域的分类问题之后，不能充分利用图片局部object 在整个图片的信息，所以RBG 大神又提出了YOLO（you only look once），使用regression的方法，把物体框的选择与识别进行结合，一步输出。