原文出處：http://chuansong.me/n/353443351445
開始本文內容之前，我們先來看一下上邊左側的這張圖，從圖中你看到了什麼物體？他們在什麼位置？這還不簡單，圖中有一個貓和一個人，具體的位置就是上圖右側圖像兩個邊框(bounding-box)所在的位置。其實剛剛的這個過程就是目標檢測，目標檢測就是“給定一張圖像或者視頻幀，找出其中所有目標的位置，並給出每個目標的具體類別”。
目標檢測對於人來說是再簡單不過的任務，但是對於計算機來說，它看到的是一些值爲0~255的數組，因而很難直接得到圖像中有人或者貓這種高層語義概念，也不清楚目標出現在圖像中哪個區域。圖像中的目標可能出現在任何位置，目標的形態可能存在各種各樣的變化，圖像的背景千差萬別……，這些因素導致目標檢測並不是一個容易解決的任務。
得益於深度學習——主要是卷積神經網絡(convolution neural network: CNN)和候選區域(region proposal)算法，從2014年開始，目標檢測取得了巨大的突破。
本文主要對基於深度學習的目標檢測算法進行剖析和總結，文章分爲四個部分：第一部分大體介紹下傳統目標檢測的流程，第二部分介紹以R-CNN爲代表的結合region proposal和CNN分類的目標檢測框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN); 第三部分介紹以YOLO爲代表的將目標檢測轉換爲迴歸問題的目標檢測框架(YOLO, SSD); 第四部分介紹一些可以提高目標檢測性能的技巧和方法。
一. 傳統目標檢測方法
如上圖所示，傳統目標檢測的方法一般分爲三個階段：首先在給定的圖像上選擇一些候選的區域，然後對這些區域提取特徵，最後使用訓練的分類器進行分類。下面我們對這三個階段分別進行介紹。
(1) 區域選擇 這一步是爲了對目標的位置進行定位。由於目標可能出現在圖像的任何位置，而且目標的大小、長寬比例也不確定，所以最初採用滑動窗口的策略對整幅圖像進行遍歷，而且需要設置不同的尺度，不同的長寬比。這種窮舉的策略雖然包含了目標所有可能出現的位置，但是缺點也是顯而易見的：時間複雜度太高，產生冗餘窗口太多，這也嚴重影響後續特徵提取和分類的速度和性能。（實際上由於受到時間複雜度的問題，滑動窗口的長寬比一般都是固定的設置幾個，所以對於長寬比浮動較大的多類別目標檢測，即便是滑動窗口遍歷也不能得到很好的區域） 。
(2) 特徵提取 由於目標的形態多樣性，光照變化多樣性，背景多樣性等因素使得設計一個魯棒的特徵並不是那麼容易。然而提取特徵的好壞直接影響到分類的準確性。（這個階段常用的特徵有SIFT、HOG等）。
(3) 分類器 主要有SVM, Adaboost等。
總結：傳統目標檢測存在的兩個主要問題：一個是基於滑動窗口的區域選擇策略沒有針對性，時間複雜度高，窗口冗餘；二是手工設計的特徵對於多樣性的變化並沒有很好的魯棒性。
二. 基於Region Proposal的深度學習目標檢測算法
對於傳統目標檢測任務存在的兩個主要問題，我們該如何解決呢？
對於滑動窗口存在的問題，region proposal提供了很好的解決方案。region proposal（候選區域）是預先找出圖中目標可能出現的位置。但由於region proposal利用了圖像中的紋理、邊緣、顏色等信息，可以保證在選取較少窗口（幾千個甚至幾百個）的情況下保持較高的召回率。這大大降低了後續操作的時間複雜度，並且獲取的候選窗口要比滑動窗口的質量更高（滑動窗口固定長寬比）。比較常用的region proposal算法有selective Search和edge Boxes，如果想具體瞭解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？”
有了候選區域，剩下的工作實際就是對候選區域進行圖像分類的工作（特徵提取+分類）。
對於圖像分類，不得不提的是2012年ImageNet大規模視覺識別挑戰賽（ILSVRC）上，機器學習泰斗Geoffrey Hinton教授帶領學生Krizhevsky使用卷積神經網絡將ILSVRC分類任務的Top-5 error降低到了15.3%，而使用傳統方法的第二名top-5 error高達 26.2%。此後，卷積神經網絡佔據了圖像分類任務的絕對統治地位，微軟最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以內多，這已經超越人在這個特定任務上的能力。所以目標檢測得到候選區域後使用CNN對其進行圖像分類是一個不錯的選擇。
2014年，RBG（Ross B. Girshick）大神使用region proposal+CNN代替傳統目標檢測使用的滑動窗口+手工設計特徵，設計了R-CNN框架，使得目標檢測取得巨大突破，並開啓了基於深度學習目標檢測的熱潮。
1.R-CNN (CVPR2014, TPAMI2015) (Region-based Convolution Networks for Accurate Object detection and Segmentation)
上面的框架圖清晰的給出了R-CNN的目標檢測流程：
(1) 輸入測試圖像
(2) 利用selective search算法在圖像中提取2000個左右的region proposal。
(3) 將每個region proposal縮放（warp）成227x227的大小並輸入到CNN，將CNN的fc7層的輸出作爲特徵。
(4) 將每個region proposal提取到的CNN特徵輸入到SVM進行分類。
針對上面的框架給出幾點解釋：
* 上面的框架圖是測試的流程圖，要進行測試我們首先要訓練好提取特徵的CNN模型，以及用於分類的SVM：使用在ImageNet上預訓練的模型（AlexNet/VGG16）進行微調得到用於特徵提取的CNN模型，然後利用CNN模型對訓練集提特徵訓練SVM。
* 對每個region proposal縮放到同一尺度是因爲CNN全連接層輸入需要保證維度固定。
* 上圖少畫了一個過程——對於SVM分好類的region proposal做邊框迴歸（bounding-box regression)，邊框迴歸是對region proposal進行糾正的線性迴歸算法，爲了讓region proposal提取到的窗口跟目標真實窗口更吻合。因爲region proposal提取到的窗口不可能跟人手工標記那麼準，如果region proposal跟目標位置偏移較大，即便是分類正確了，但是由於IoU(region proposal與Ground Truth的窗口的交集比並集的比值)低於0.5，那麼相當於目標還是沒有檢測到。
小結：R-CNN在PASCAL VOC2007上的檢測結果從DPM HSC的34.3%直接提升到了66%(mAP)。如此大的提升使我們看到了region proposal+CNN的巨大優勢。
但是R-CNN框架也存在着很多問題:
(1) 訓練分爲多個階段，步驟繁瑣: 微調網絡+訓練SVM+訓練邊框迴歸器
(2) 訓練耗時，佔用磁盤空間大：5000張圖像產生幾百G的特徵文件
(3) 速度慢: 使用GPU, VGG16模型處理一張圖像需要47s。
針對速度慢的這個問題，SPP-NET給出了很好的解決方案。
2. SPP-NET (ECCV2014, TPAMI2015)(Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition)
先看一下R-CNN爲什麼檢測速度這麼慢，一張圖都需要47s！仔細看下R-CNN框架發現，對圖像提完region proposal（2000個左右）之後將每個proposal當成一張圖像進行後續處理(CNN提特徵+SVM分類)，實際上對一張圖像進行了2000次提特徵和分類的過程！
有沒有方法提速呢？好像是有的，這2000個region proposal不都是圖像的一部分嗎，那麼我們完全可以對圖像提一次卷積層特徵，然後只需要將region proposal在原圖的位置映射到卷積層特徵圖上，這樣對於一張圖像我們只需要提一次卷積層特徵，然後將每個region proposal的卷積層特徵輸入到全連接層做後續操作。（對於CNN來說，大部分運算都耗在卷積操作上，這樣做可以節省大量時間）。現在的問題是每個region proposal的尺度不一樣，直接這樣輸入全連接層肯定是不行的，因爲全連接層輸入必須是固定的長度。
SPP-NET恰好可以解決這個問題：
上圖對應的就是SPP-NET的網絡結構圖，任意給一張圖像輸入到CNN，經過卷積操作我們可以得到卷積特徵（比如VGG16最後的卷積層爲conv5_3，共產生512張特徵圖）。圖中的window是就是原圖一個region proposal對應到特徵圖的區域，只需要將這些不同大小window的特徵映射到同樣的維度，將其作爲全連接的輸入，就能保證只對圖像提取一次卷積層特徵。SPP-NET使用了空間金字塔採樣（spatial pyramid pooling）：將每個window劃分爲4*4, 2*2, 1*1的塊，然後每個塊使用max-pooling下采樣，這樣對於每個window經過SPP層之後都得到了一個長度爲(4*4+2*2+1)*512維度的特徵向量，將這個作爲全連接層的輸入進行後續操作。
小結：使用SPP-NET相比於R-CNN可以大大加快目標檢測的速度，但是依然存在着很多問題：
(1) 訓練分爲多個階段，步驟繁瑣: 微調網絡+訓練SVM+訓練訓練邊框迴歸器
(2) SPP-NET在微調網絡的時候固定了卷積層，只對全連接層進行微調，而對於一個新的任務，有必要對卷積層也進行微調。（分類的模型提取的特徵更注重高層語義，而目標檢測任務除了語義信息還需要目標的位置信息） 針對這兩個問題，RBG又提出Fast R-CNN, 一個精簡而快速的目標檢測框架。
3.Fast R-CNN(ICCV2015) 有了前邊R-CNN和SPP-NET的介紹，我們直接看Fast R-CNN的框架圖：
與R-CNN框架圖對比，可以發現主要有兩處不同：一是最後一個卷積層後加了一個ROI pooling layer，二是損失函數使用了多任務損失函數(multi-task loss)，將邊框迴歸直接加入到CNN網絡中訓練。
(1) ROI pooling layer實際上是SPP-NET的一個精簡版，SPP-NET對每個proposal使用了不同大小的金字塔映射，而ROI pooling layer只需要下采樣到一個7x7的特徵圖。對於VGG16網絡conv5_3有512個特徵圖，這樣所有region proposal對應了一個7*7*512維度的特徵向量作爲全連接層的輸入。
(2) R-CNN訓練過程分爲了三個階段，而Fast R-CNN直接使用softmax替代SVM分類，同時利用多任務損失函數邊框迴歸也加入到了網絡中，這樣整個的訓練過程是端到端的(除去region proposal提取階段)。
(3) Fast R-CNN在網絡微調的過程中，將部分卷積層也進行了微調，取得了更好的檢測效果。
小結：Fast R-CNN融合了R-CNN和SPP-NET的精髓，並且引入多任務損失函數，使整個網絡的訓練和測試變得十分方便。在Pascal VOC2007訓練集上訓練，在VOC2007測試的結果爲66.9%(mAP)，如果使用VOC2007+2012訓練集訓練，在VOC2007上測試結果爲70%（數據集的擴充能大幅提高目標檢測性能）。使用VGG16每張圖像總共需要3s左右。
缺點：region proposal的提取使用selective search，目標檢測時間大多消耗在這上面（提region proposal 2~3s，而提特徵分類只需0.32s），無法滿足實時應用，而且並沒有實現真正意義上的端到端訓練測試（region proposal使用selective search先提取處來）。那麼有沒有可能直接使用CNN直接產生region proposal並對其分類？Faster R-CNN框架就是符合這樣需要的目標檢測框架。
3. Faster R-CNN(NIPS2015)(Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks)
在region proposal + CNN分類的這種目標檢測框架中，region proposal質量好壞直接影響到目標檢測任務的精度。如果找到一種方法只提取幾百個或者更少的高質量的預選窗口，而且召回率很高，這不但能加快目標檢測速度，還能提高目標檢測的性能（假陽例少）。RPN(Region Proposal Networks)網絡應運而生。
RPN的核心思想是使用卷積神經網絡直接產生region proposal，使用的方法本質上就是滑動窗口。RPN的設計比較巧妙，RPN只需在最後的卷積層上滑動一遍，因爲anchor機制和邊框迴歸可以得到多尺度多長寬比的region proposal。
我們直接看上邊的RPN網絡結構圖（使用了ZF模型），給定輸入圖像（假設分辨率爲600*1000），經過卷積操作得到最後一層的卷積特徵圖（大小約爲40*60）。在這個特徵圖上使用3*3的卷積核（滑動窗口）與特徵圖進行卷積，最後一層卷積層共有256個feature map，那麼這個3*3的區域卷積後可以獲得一個256維的特徵向量，後邊接cls layer和reg layer分別用於分類和邊框迴歸（跟Fast R-CNN類似，只不過這裏的類別只有目標和背景兩個類別）。3*3滑窗對應的每個特徵區域同時預測輸入圖像3種尺度（128,256,512），3種長寬比（1:1,1:2,2:1）的region proposal，這種映射的機制稱爲anchor。所以對於這個40*60的feature map，總共有約20000(40*60*9)個anchor，也就是預測20000個region proposal。
這樣設計的好處是什麼呢？雖然現在也是用的滑動窗口策略，但是：滑動窗口操作是在卷積層特徵圖上進行的，維度較原始圖像降低了16*16倍（中間經過了4次2*2的pooling操作）；多尺度採用了9種anchor，對應了三種尺度和三種長寬比，加上後邊接了邊框迴歸，所以即便是這9種anchor外的窗口也能得到一個跟目標比較接近的region proposal。
NIPS2015版本的Faster R-CNN使用的檢測框架是RPN網絡+Fast R-CNN網絡分離進行的目標檢測，整體流程跟Fast R-CNN一樣，只是region proposal現在是用RPN網絡提取的（代替原來的selective search）。
同時作者爲了讓RPN的網絡和Fast R-CNN網絡實現卷積層的權值共享，訓練RPN和Fast R-CNN的時候用了4階段的訓練方法:
(1) 使用在ImageNet上預訓練的模型初始化網絡參數，微調RPN網絡；
(2) 使用(1)中RPN網絡提取region proposal訓練Fast R-CNN網絡；
(3) 使用(2)的Fast R-CNN網絡重新初始化RPN, 固定卷積層進行微調；
(4) 固定(2)中Fast R-CNN的卷積層，使用(3)中RPN提取的region proposal微調網絡。
權值共享後的RPN和Fast R-CNN用於目標檢測精度會提高一些。
使用訓練好的RPN網絡，給定測試圖像，可以直接得到邊緣迴歸後的region proposal，根據region proposal的類別得分對RPN網絡進行排序，並選取前300個窗口作爲Fast R-CNN的輸入進行目標檢測，使用VOC07+12訓練集訓練，VOC2007測試集測試mAP達到73.2%（selective search + Fast R-CNN是70%）， 目標檢測的速度可以達到每秒5幀（selective search+Fast R-CNN是2~3s一張）。
需要注意的是，最新的版本已經將RPN網絡和Fast R-CNN網絡結合到了一起——將RPN獲取到的proposal直接連到ROI pooling層，這纔是一個真正意義上的使用一個CNN網絡實現端到端目標檢測的框架。
小結：Faster R-CNN將一直以來分離的region proposal和CNN分類融合到了一起，使用端到端的網絡進行目標檢測，無論在速度上還是精度上都得到了不錯的提高。然而Faster R-CNN還是達不到實時的目標檢測，預先獲取region proposal，然後在對每個proposal分類計算量還是比較大。比較幸運的是YOLO這類目標檢測方法的出現讓實時性也變的成爲可能。
總的來說，從R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN一路走來，基於深度學習目標檢測的流程變得越來越精簡，精度越來越高，速度也越來越快。可以說基於region proposal的R-CNN系列目標檢測方法是當前目標最主要的一個分支。
