微软算法的真正问题
R-CNN算法于2014年提出，基本奠定了两阶段法在目标检测领域的应用基础。其算法结构如下。
算法步骤如下:
与传统的目标检测算法相比，R-CNN实现了50%的性能提升。在使用VGG-16模型作为物体识别模型的情况下，在voc2007数据集上可以达到66%的准确率，还算不错。它最大的问题是速度非常慢，而且占用大量内存。主要有两个原因。
针对R-CNN的一些问题，2015年微软提出了快速R-CNN算法，主要优化了两个问题。
R-CNN和fast R-CNN都有一个问题，就是候选框是选择性搜索生成的，非常慢。而且R-CNN生成的2000个候选帧都需要经过一次卷积神经网络，也就是需要经过CNN网络2000次左右，非常耗时(fast R-CNN已经改进，整个画面只需要经过CNN网络一次)。这也是这两种算法检测速度慢的主要原因。
为了解决这个问题，fast R-CNN提出RPN网络获取候选帧，摆脱了选择性搜索算法，只需要一次卷积层运算，大大提高了识别速度。这个算法很复杂，我们会详细分析。其基本结构如下。
主要分为四个步骤:
网络结构采用VGG-16卷积模型；
卷积层采用VGG-16模型。首先将PxQ的原始图片缩放裁剪成MxN的图片，然后经过13个conv-雷鲁层，其中穿插了四个max-pooling层。所有卷积核都是3×3，填充是1，步距是1。池层内核为2x2，填充为0，步幅为2。
MxN的图片，经过卷积图层后，变成了(M/16) x (N/16)的特征图。
更快的R-CNN摒弃了R-CNN中的选择性搜索方法，使用RPN层生成候选帧，可以大大提高候选帧的生成速度。RPN层首先进行3×3卷积，然后分成两路。一路用于判断候选框是前景还是背景。它先将其重塑为一维向量，然后softmax判断是前景还是背景，再将其重塑为二维特征图。另一条路径用于确定候选框的位置，通过包围盒回归实现，后面会详细讨论。经过双向计算，选择前景候选帧(因为物体在前景中)，利用计算出的候选帧位置，得到我们感兴趣的特征子图提议。
卷积层提取原始图像信息，得到256幅特征图。RPN层3×3卷积后，还是256个特征图。但是每个点融合了周围3x3的空间信息。对于每个特征图上一个点，生成k个锚(k(k缺省为9)。主播分为前景和背景(我们不管是飞机还是汽车，只需要区分是前景还是背景)。Anchor有四个坐标偏移量[x，y，w，h]，其中x和y表示中心点的坐标，w和h表示宽度和高度。这样，对于特征图上的每个点，获得了具有不同大小和形状的K个选择区域。
对于生成的主播，首先要判断是前景还是背景。由于感兴趣的对象在前景中，在这一步之后，我们可以放弃背景锚点。大部分锚点属于后台，所以这一步可以过滤掉很多无用的锚点，从而减少全连接层的计算量。
3×3卷积后得到的256幅特征图，经过1x1卷积后，变换成18幅特征图。那么reshape就是一维向量，softmax判断是前景还是背景。这里整形的唯一功能是使数据可用于softmax计算。然后输出识别得到的前景锚点。
另一条路径用于确定候选框的位置，即锚点的[x，y，w，h]坐标值。如下图，红色代表我们当前的选区，绿色代表真正的选区。虽然我们现在的选择可以大致选择平面，但是距离绿色的真实位置和形状还是有很大的差距，所以需要对生成的锚点进行调整。这个过程被称为包围盒回归。
假设红框的坐标是[x，y，w，h]，绿框的坐标，也就是目标框的坐标是[Gx，Gy，Gw，Gh]，我们需要建立一个变换，使得[x，y，w，h]可以变成[Gx，Gy，Gw，Gh]。最简单的思路就是先做平移让中心点靠近，然后缩放让W和H靠近。如下所示:
我们要学的是dx dy dw dh的四则变换。因为是线性变换，所以可以用线性回归来建模。设置损失和优化方法后，就可以用深度学习来训练，得到模型。对于空间位置损失，我们一般使用均方误差算法，而不是交叉熵(分类预测使用交叉熵)。优化方法可以采用自适应梯度下降算法Adam。
在得到前景锚点并确定它们的位置和形状后，我们可以输出前景的特征子图建议。步骤如下:
1，获得前景锚点及其[x y w h]坐标。
2.根据锚点为前景的概率不同，按降序选择前pre_nms_topN个锚点，如前6000个。
3.排除非常小的锚。
4.通过NMS非最大抑制，找出可信度高的主播。这主要是为了解决选择重叠的问题。首先计算每个选区的面积，然后在softmax中按照它们的得分(即是否是前景的概率)排序，得分最大的选区放入队列。接下来，计算剩余选择和当前最大得分选择的IOU(IOU是两个框的交集面积除以两个框的并集面积，衡量两个框的重叠程度)。移除IOU大于设定阈值的选择。这样就解决了选区重叠的问题。
5.选择第一个post_nms_topN结果作为输出的最终选择建议，例如300。
经过这一步，物体定位应该就基本结束了，剩下的就是物体识别了。
类似于fast R-CNN，这一层主要解决之前得到的提案大小形状不一，无法进行全连接的问题。全连接计算只能对某些形状进行操作，因此需要使提案的大小和形状相同。这个问题可以通过裁剪和缩放来解决，但是会带来信息丢失和图像变形。我们可以通过使用ROI pooling有效地解决这个问题。
在ROI pooling中，如果目标输出为MxN，则将输入建议在水平和垂直方向上分为MxN个部分，每个部分取最大值，从而得到MxN的输出特性图。
ROI Pooling图层背后的特征图可以通过将图层与softmax充分连接来计算，比如人、狗、飞机，可以得到cls_prob概率向量。同时，再次利用包围盒回归对提议的位置进行微调，得到bbox_pred，用于返回更精确的目标检测帧。
这就完成了更快的R-CNN的整个过程。算法相当复杂，每个细节都需要反复理解。更快的R-CNN使用resNet101模型作为卷积层，在voc2012数据集上准确率可以达到83.8%，超过yolo ssd和yoloV2。它最大的问题是速度慢，每秒只能处理5帧，达不到实时性的要求。
Yolo创造性地提出一阶段来克服两阶段目标检测算法的共同缺点。即物体分类和物体定位一步完成。Yolo在输出层直接返回包围盒的位置和类别，实现了一步到位。这样yolo可以达到每秒45帧的运算速度，完全可以满足实时性要求(当达到每秒24帧时，人眼认为是连续的)。其网络结构如下:
它主要分为三个部分:卷积层、目标检测层和NMS屏蔽层。
采用Google inceptionV1网络，对应上图第一阶段，***20层。这一层主要进行特征提取，从而提高模型的泛化能力。不过作者修改了inceptionV1。他没有使用inception模块结构，而是用1x1的卷积和3x3的卷积并行替换。(可以考虑只使用了inception模块中的一个分支，应该是为了简化网络结构。)
经过四个卷积层和两个全连接层，最终生成7x7x30的输出。先经历四个卷积层的目的是为了提高模型的泛化能力。Yolo将一张448x448的原始图片划分成7×7的网格，每个网格要预测两个包围盒的坐标(x，y，w，h)，以及盒子中包含的物体的置信度，以及物体属于20个类别中每一个类别的概率(yolo的训练数据是voc2012，这是一个包含20个类别的数据集)。所以一个网格对应的参数是(4x2+2+20) = 30。如下图
其中，前一项表示是否有人工标记的物体落入网格，如果有，则为1，否则为0。第二项表示包围盒和真实标记盒之间的重合度。它等于两个盒子面积的交集，除以面积和集合。值越大，盒子越接近真实位置。
分类信息:yolo的目标训练集是voc2012，这是一个20分类的目标检测数据集。常用的目标检测数据集如下:
| Name | # Images(trainval)| # Classes |上次更新时间|
| - | - | - | - |
| ImageNet | 450k | 200 | 2015 |
|可可| 120K | 90 | 2014 |
|帕斯卡VOC | 12k | 20 | 2012 |
牛津-IIIT宠物医院| 7K | 37 | 2012 |
| KITTI Vision | 7K | 3 | |
每个网格还需要预测它属于这20个类别的概率。分类信息针对每个网格，而不是边界框。所以我们只需要20个，不是40个。而置信度针对的是包围盒，只表示盒子里是否有物体，不需要预测物体是20个类别中的哪一个，所以只需要两个参数。虽然分类信息和置信度都是概率，但意义完全不同。
筛选层的目的是从多个结果(多个包围盒)中筛选出最合适的。这种方法和更快的R-CNN中的方法基本相同。首先过滤掉得分低于阈值的盒子，剩下的盒子进行NMS非极大值抑制，去掉重叠度高的盒子(具体的NMS算法可以在上面更快的R-CNN一节回顾)。这样，最终得到最合适的盒子及其类别。
Yolo的损失函数包括位置误差、置信度误差和分类误差三部分。具体公式如下:
均方误差算法用于所有误差。其实我觉得位置误差应该用均方差算法，分类误差应该用交叉熵。因为物体位置只有4个参数，类别有20个参数，所以它们的累积和是不一样的。给予同样的权重显然是不合理的。所以yolo中的位置误差权重是5，类别误差权重是1。因为我们并不是特别在意不包含物体的包围盒，所以给不包含物体的包围盒的置信度误差的权重是0.5，包含物体的包围盒的权重是1。
较快的R-CNN有较高的mAP准确率和较低的召回率，但速度较慢。而Yolo虽然速度很快，但是准确率和漏检率都不尽如人意。SSD结合了它们的优缺点。对于300x300的输入图像，在voc2007数据测试上可以达到每秒58帧(Titan X的GPU)和72.1% mAP。
固态硬盘的网络结构如下:
和yolo一样，分为三个部分:卷积层、目标探测层和NMS屏蔽层。
SSD论文采用VGG16的基本网络，这其实是几乎所有目标检测神经网络的惯用方法。首先用CNN网络提取特征，然后进行后续的目标定位和目标分类识别。
该层由五个卷积层和一个平均池层组成。最后一个完全连接的层被移除。SSD认为目标检测中的物体只与周围的信息有关，其感受野不是全局的，因此是不必要的，不应该完全连通。固态硬盘的特点如下。
每个卷积层将输出不同感受野的特征图。在这些不同尺度的特征图上，对目标位置和类别进行训练和预测，可以达到多尺度检测的目的，可以克服yolo对长宽比异常的物体识别准确率低的问题。在yolo中，只使用最后一个卷积层来训练和预测目标位置和类别。这是SSD相比yolo能够提高精度的一个关键点。
如上图所示，目标检测和分类将在每个卷积层上进行，最后由NMS滤波并输出最终结果。在多尺度特征图上进行目标检测，相当于增加了很多长宽比的包围盒，可以大大提高泛化能力。
与更快的R-CNN类似，SSD也提出了anchor的概念。通过卷积输出的特征图，每个点对应于原始图像的一个区域的中心点。以此点为中心，构造六个不同宽高比、不同大小的锚点(SSD中称为默认框)。每个主播对应四个位置参数(x，y，w，h)和21分类概率(voc训练集是20分类问题，加上主播是否是后台，***21分类)。如下图所示:
另外，在训练阶段，SSD将正负样本的比例定位在1: 3。给定训练集输入图像和每个对象的真实区域(地面真实框)，选择默认框和真实框之间最近的作为正样本。然后选择IOU大于0.5的剩余默认框中的任意一个，真实框IOU为正样本。而另一些则作为阴性样本。因为大部分盒子都是负样本，会导致正负不平衡，所以根据每个盒子类别的概率，正负比例会保持在1: 3。SSD认为这个策略提高了4%的准确率。
另外，SSD使用了数据增强。生成它们与目标物体真实盒子之间IOU为0.1.30.50.70.9的面片，随机选择这些面片参与训练，随机水平翻转。SSD认为这个策略提高了8.8%的准确率。
和yolo的加网层基本一样。类似地，首先过滤类别概率低于阈值的默认框，然后使用NMS非最大值抑制过滤掉重叠度较高的框。只是SSD在不同的特征图上合成了目标检测输出的默认框。
SSD基本可以满足我们手机上实时物体检测的需求。TensorFlow官方目标检测模型SSD _ mobilenet _ v 1 _ Android _ export。Pb用SSD算法实现。它的基本卷积网络是mobileNet，适合在终端上部署和运行。
针对yolo精度低、易漏检、对长宽比异常的物体效果差的问题，结合SSD的特点，提出了yoloV2。它主要采用了yolo的网络结构，并在此基础上做了一些优化和改进，具体如下。
网络采用Darknet-19: 19层，包含大量的3×3卷积。同时增加了1x1卷积核的全局平均池层，供inceptionV1参考。其结构如下
Yolo和yoloV2只能识别20种物体。为了优化这个问题，yolo9000被提出，它可以识别9000种物体。在yoloV2的基础上，进行了imageNet和coco的联合训练。该方法充分利用了imageNet可以识别1000个物体，coco可以检测目标位置的优势。使用imageNet训练时，仅更新与对象分类相关的参数。使用coco时，所有参数都会更新。
YOLOv3可以说是直接挂了所有的图像检测算法。与同期的DSSD(反卷积SSD)和FPN(特征金字塔网络)相比，精度更高或相近，速度为1/3。
YOLOv3的变化主要包括以下几点:
但如果需要更准确的预测框架，以COCO AP作为评测标准，YOLO3在准确率上的表现就弱一些。如下图所示。
目前，目标检测模型的算法也层出不穷。在两阶段领域，脸书在2017中提出了mask R-CNN。CMU还提出了A-Fast-RCNN算法，将对抗性学习引入目标检测领域。Face++还提出了光头强的R-CNN，主要讨论R-CNN在物体检测中如何平衡精度和速度。
一级台的领域也是百花齐放。2017年首尔大学提出了R-SSD算法，主要解决小尺寸物体检测效果差的问题。清华大学提出的RON算法，结合了两阶段命名法和一阶段法的优点，更加注重多尺度物体定位和负空间样本挖掘。
目标检测领域的深度学习算法需要目标定位和物体识别，算法相对复杂。目前各种新算法层出不穷，但是模型之间有很强的连续性。大多数模型算法都是基于前人的思路，站在巨人的肩膀上。我们需要知道经典模型的特点，这些招数是为了解决什么问题，为什么要解决。这样我们就可以举一反三，我们永远不会改变我们的宗教。综上所述，目标检测领域的主要难点如下:
了解目标检测的AI算法:R-CNN，更快的R-CNN，yolo，SSD，yoloV2。
从YOLOv1到v3的演进
SSD-Tensorflow超详细分析一:加载模型测试图片？/darknet/yolo/？/pjreddie/darknet
C#项目引用:/alturosdestinations/alturos . yolo
贴一张项目实践的图片。