目录

• 写在前面
• 目标检测任务与挑战
• 目标检测方法汇总
• 基础子问题 基于DCNN的特征表示 主干网络（network backbone）
• Methods For Improving Object Representation

博客：blog.shinelee.me | 博客园 | CSDN

写在前面

paper：https://arxiv.org/abs/1809.02165
github：https://github.com/hoya012/deep_learning_object_detection，A paper list of object detection using deep learning

这篇综述对深度学习目标检测2014至201901取得的进展进行了总结，包括：

本文的主要目的在于摘录paper中的一些重要图表和结论，作为系统学习的索引，不做详细的展开。

下面两张图来自github，分别为paper list和performance table，红色为作者认为必读的paper。

目标检测任务与挑战

目标检测任务的输入是一张图像，输出是图像中的物体位置和类别，如下图所示，位置可通过Bounding Box描述，也可描述为像素的集合。

为了确定图片中物体的位置和类别，要面临很多挑战，一个好的检测器要做到定位准确、分类准确还要效率高，需要对光照、形变、尺度、视角、尺寸、姿态、遮挡、模糊、噪声等情况鲁棒，需要能容忍可能存在的较大的类内差异，又能区分开较小的类间差异，同时还要保证高效。

目标检测方法汇总

在2012年前，目标检测方法主要是人工特征工程+分类器，2012年后主要是基于DCNN的方法，如下图所示：

目标检测的框架可以分成2类：

1. Two stage detection framework：含region proposal，先获取ROI，然后对ROI进行识别和回归bounding box，以RCNN系列方法为代表。
2. One stage detection framework：不含region proposal，将全图grid化，对每个grid进行识别和回归，以YOLO系列方法为代表。

Pipeline对比与演化如下：

主干网络、检测框架设计、大规模高质量的数据集是决定检测性能的3个最重要的因素，决定了学到特征的好坏以及特征使用的好坏。

基础子问题

这一节谈论的重点包括：基于DCNN的特征表示、候选区生成、上下文信息、训练策略等。

基于DCNN的特征表示

主干网络（network backbone）

ILSVRC（ImageNet Large Scale Visual Recognition Competition）极大促进了DCNN architecture的改进，在计算机视觉的各种任务中，往往将这些经典网络作为主干网络（backbone），再在其上做各种文章，常用在目标检测任务中的DCNN architectures如下：

Methods For Improving Object Representation

物体在图像中的尺寸是未知的，图片中的不同物体尺寸也可能是不同的，而DCNN越深层的感受野越大，因此只在某一层上进行预测显然是难以达到最优的，一个自然的想法是利用不同层提取到的信息进行预测，称之为multiscale object detection，可分成3类：

1. Detecting with combined features of multiple CNN layers
2. Detecting at multiple CNN layers;
3. Combinations of the above two methods

直接看图比较直观：


尝试对几何变形进行建模也是改善Object Representation的一个方向，方法包括结合Deformable Part based Models (DPMs)的方法、Deformable Convolutional Networks (DCN)方法等。

Context Modeling

上下文信息可以分为3类：

1. Semantic context: The likelihood of an object to be found in some scenes but not in others;
2. Spatial context: The likelihood of finding an object in some position and not others with respect to other objects in the scene;
3. Scale context: Objects have a limited set of sizes relative to other objects in the scene.

DCNN通过学习不同抽象层级的特征可能已经隐式地使用了contextual information，因此目前的state-of-art目标检测方法并没有显式地利用contextual information，但近来也有一些显式利用contextual information的DCNN方法，可分为2类：Global context和Local context。

感觉可以在某种程度上看成是数据层面的集成学习。

Detection Proposal Methods

Two stage detection framework需要生成ROI。

生成ROI的方法，可以分为Bounding Box Proposal Methods和Object Segment Proposal Methods，前者回归出Bounding Box来描述ROI，后者通过分割得到像素集合来描述ROI。

Other Special Issues

通过data augmentation tricks（数据增广）可以得到更鲁棒的特征表示，可以看成是数据层面上的集成学习，考虑到物体尺度可大可小的问题，scaling是使用最多的数据增广方法。

Datasets and Performance Evaluation

以上。