目标检测最新总结文献 ：
1《Deep Learning for Generic Object Detection A Survey》 下载地址

2.《Object Detection in 20 Years: A Survey》下载地址

GitHub：下载地址

目标检测是将图像或者视频中的目标与其他不感兴趣区域进行区分，判断是否存在目标，确定目标位置，识别目标种类的计算机视觉任务。

以AlexNet为分界线，2012年之前为传统算法，2013年之后为深度学习算法。

一、目标检测传统算法

包括：
``
1、Viola-Jones算法

2、HOG 特征算法

3 DPM 模型
``

二、 基于深度神经网络的目标检测与识别

2012年， Hinton教授的团队利用卷积神经网络设计了AlexNet，在ImageNet数据集上打败所有传统方法的团队，使得CNN成为计算机视觉领域中最为重要的工具。
基于深度学习的目标检测算法大致分为三类：

1、基于区域建议的算法 如，R-CNN、 Fast R-CNN、Faster R-CNN等。
2、基于目标回归的检测算法，如YOLO、SSD，retinanet，EfficientDet。
3、基于搜索的目标检测与识别算法， AttentionNet，强化学习。
4、基于Anchor-free的算法，如 CornerNet，CenterNet，FCOS 等。

网络性能比较如下：

---

1.R-CNN 论文地址

代码地址

主要思想：
1.输入一张图像
2.（Selective Search）选择性搜索从图像中生成2000个左右的区域建议框。
3.对于每一个区域建议框使用CNN提取特征，并组合特征。
4.使用线性SVM分类器对每个区域建议框分类
5.通过边界框回归算法重新定义目标边界框

局限性：
1.目标候选区域的重叠使CNN特征提取存在很大冗余

---

2.Fast R-CNN 论文地址

代码地址

主要思想：
1.生成建议窗口，Fast R-CNN用（Selective Search）方法生成建议窗口，每张图片大约2000张。
2.Fast R-CNN将建议窗口映射到CNN的最后一层卷积feature map上
2.使用Softmax预测区域类别概率
3 Smooth L1 Loss 生成边框回归

解决R-CNN问题：

1. Fast R-CNN直接将图像归一化后接CNN，然后在最后一层特征图上增加区域建议框，相比R-CNN要将每个区域建议框使用CNN提取特征要节省很多计算量
2. R-CNN 在SVM分类之前，把CNN提取的特征存储在硬盘上，读写速度慢造成训练耗时大。Fast R-CNN将训练数据在GPU上直接使用Softmax分类，不需要将大量数据存储在硬盘上

---

3.Faster R-CNN 论文地址

代码

算法详解（anchor机制）


Faster R-CNN 主要采用RPN（Region proposal Network),直接生成建议框，只有300个，RPN和Fast R-CNN部分共享，大幅提升目标检测速度。

主要思想：
1.Faster R-CNN 目标检测分为4个部分（候选区域生成，特征提取，分类，和Bounding box回归）
2.候选区域由RPN完成，其它三个部分沿用Fast R-CNN

---

4.YOLO v1 论文地址

代码

YOLO算法主要有以下优点：
1.检测速度达到实时帧检测，在Titan X GPU上每秒可检测45帧，快速版每秒能做到150帧
2.YOLO 是对整张图进行检测，采取回归的方式检测目标的位置和类别，是一种全新的检测方式

缺点:
1.定位精度差，没有区域建议算法高，主要由于该算法对图像做回归而不是滑动窗口检测
2.对小目标，或目标之间位置接近的情况下检测效果不好

主要思想：

1.将整个图像分成S*S个格子
2.将整张图像送入CNN，预测每一个格子是否存在目标、（预测目标边界框和目标的类别）
3.将预测的边界框做非最大值抑制（NMS），得到最终结果。

---

5.SSD 论文地址

代码

SSD在YOLO的基础上增加了Faster R-CNN的anchor机制，相当于在回归的基础上增加了区域建议的机制。

同时SSD从深度神经网络不同层的特征图上提取信息，然后分别用这些特征信息做回归预测目标，相当于引入多尺度操作，能够对一个目标区域做更多的判断。

主要优点：
1.是一种 单次（single shot）检测方法，只需观察一次图像，就可做到多目标检测识别，速度比YOLO快
2.在YOLO的基础上结合了Faster R-CNN的 anchor机制，同时利用不同尺度的特征图预测每个位置上的目标，可以与基于区域建议的方法相比。
3.SSD算法对低分辨率的图像同样能达到较高的检测识别精度

算法流程：
1.通过CNN提取整个图像特征
2.针对不同尺度的深度特征图设计大小不同的特征提取框
3.特征提取框预测目标类别和真实边界
4.NMS筛选最佳预测结果。

---

6.R-FCN [论文地址]

[代码]

faster R-CNN对卷积层做了共享（RPN和Fast R-CNN），在经过ROI pooling时确没有共享feature map，需要将每一个feature map统一到相同大小，R-FCN建立共享卷积层，只对一个feature map进行卷积，是一个真正的全卷积结构。

算法主要流程：

1. 输入一张图到CNN网络
2. 经过与预练网络网络后，在最后一个卷积层存在有3个分支，第一个是在feature map上面做RPN网络，得到相应的区域建议框（ROI），第二个分支是在改feature map上得到一个 $K^2（C+1）$维向量做分类，第三个分支在feature map上得到$4K^2$个向量用作Bounding Box回归
3. 在 $K^2（C+1）$和$4K^2$两个score map上分别执行position-sensitive pooling 获得最终的类别和位置信息

---

7.YOLO v2 论文地址

代码

文中提到YOLO V2的改进之处：

1. YOLO与Fast R-CNN的误差分析表明，YOLO V1 存在大量的定位误差。此外，与基于区域建议的方法相比，YOLO的召回率相对较低。 YOLO v2 则提出在保持分类精度的同时提高召回率和定位精度。
2. 在YOLO V2中对所有卷积层添加批量归一化（Batch Normalization），mAP中得到了2%以上的改进。批处理规范化还有助于对模型进行规范化。
3. 原YOLO V1以224×224训练分类器网络，YOLO v2 的分类网络以 448*448 的分辨率先在 ImageNet上进行微调，微调 10 个 epochs，让网络有时间调整滤波器（filters），好让其能更好的运行在新分辨率上，还需要调优用于检测的 Resulting Network。最终通过使用高分辨率，mAP 提升了 4%。
4. YOLO V1包含有全连接层，从而能直接预测 Bounding Boxes 的坐标值。 Faster R-CNN 的方法只用卷积层与 Region Proposal Network 来预测 Anchor Box 偏移值与置信度，而不是直接预测坐标值。作者发现通过预测偏移量而不是坐标值能够简化问题. YOLO V2去掉了全连接层，使用 Anchor Boxes 来预测 Bounding Boxes。作者去掉了网络中一个池化层，这让卷积层的输出能有更高的分辨率
5. Anchor Box 的尺寸是手动选择的，还有优化的余地。 为了优化，在训练集的 Bounding Boxes 上使用 k-means聚类，来找到一个比较好的值。
6. 网络使用一个 Logistic Activation 来对于网络预测结果进行限制，让结果介于 0 到 1 之间。

---

8.YOLO v3 论文地址

代码

改进之处：
1.多尺度预测
2.更好的基础分类网络（Darknet-53）
3.分类器-类别预测：YOLO v3 不使用 Softmax对每个框进行分类，主要考虑2个因素：a.Softmax使得每个框分配一个类别，而对Open Images这种数据集，目标可能存在重叠上的类别标签

---

9. M2DNeT： 论文地址

代码

提出了多层次的特征金字塔网络(MLFPN)来构造更有效的特征金字塔来检测不同尺度的目标

---

【RetinaNet】Focal Loss for Dense Object Detection 博客--------

【CornerNet】博客

---

【CenterNet】 博客

---

【FCOS】 博客

2019-11.15

---

【EfficientDet】 博客

2019-12-5

未完待续