深度学习在目标检测中的应用

首先我们从CVPR2016观察一下目标检测新进展。2016年的CVPR会议目标检测的方法主要是基于卷积神经网络的框架，代表性的工作有ResNet（在faster R-CNN中将ResNet替换VGG）、YOLO（回归检测框架）、LocNet（更精准定位）、HyperNet（神经网络高层信息利于识别，底层特征利于定位，高低层特征融合）、ION（在Fast R-CNN基础上增加上下文信息）、G-CNN（减少潜在框）。

基本都是在faster R-CNN 框架下做改进，YOLO在架构上有所创新。faster R-CNN作为目前深度学习应用于目标检测的一种重要方法，一下5篇论文大致反映了自2013年RGB大神提出R-CNN（将深度学习引入目标检测问题）以来，深度学习算法在目标检测领域的一个发展历程。

R-CNN——>SPPnet——>Fast R-CNN——>faster R-CNN——>YOLO

以下对各算法提出的背景与解决的问题做出简单梳理：

1、 目标检测进展缓慢，CNN在图片分类中取得重大成功。

提出R-CNN：将检测问题转化成分类问题，应用CNN。

选择性搜索（SS）提取region proposal、CNN提取各region的特征、SVM分类、边界框（BB）回归。

2、 CNN要求输入图片尺寸固定，各proposal特征图计算不共享。

提出：SPPnet，引入SPP层解除固定尺寸约束。

3、 太多候选定位区域要被处理；这些候选取仅是粗略定位。

提出：Fast R-CNN，结合了学习分类目标候选区与改善他们空间定位的单步训练算法。（RoI池化层、将BB回归融入网络，直接使用CNN提取的特征，合并成多任务模型）

4、 随着检测时间的下降，region proposal计算成为瓶颈

提出：faster RCNN，使用RPN，与检测网络共享全图卷积特征，使得region proposal 近似无消耗。

5、 先前提出的算法都是将检测问题转化为分类解决。

提出：YOLO。将检测回归到回归方法，提高实时性能。

以上为对5篇论文发展的一个简单梳理，基本上是后一篇论文针对前一篇中存在的问题，提出解决办法，对部分内容做出改善，从而提高性能。后续再对这5篇论文作具体总结。

论文连接：

R-CNN：https://arxiv.org/pdf/1311.2524v5.pdf

SPPnet：https://arxiv.org/pdf/1406.4729v4.pdf

Fast R-CNN：https://arxiv.org/abs/1504.08083

faster R-CNN：https://arxiv.org/abs/1506.01497

YOLO: https://arxiv.org/abs/1506.02640

参考：http://sanwen8.cn/p/291742Q.html