随着时代的发展和技术的进步，深度卷积神经网络（DCNN）在图像分类和识别上取得了很显著的提高。从2014到2016年，先后涌现出了9种目标检测方法，分别为R-CNN，Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD等，这9种方法一次更替，逐步优化，运行速度得到逐步提升、准确率也有很大改进。
一、基于Region Proposal的方法
基本思想：先得到候选区域再对候选区域进行分类和边框回归。
1.R-CNN
1、是较早地将DCNN用到目标检测中的方法。
2、中心思想：
- 通过selective search 获取候选框（一般一个图形中得到大约2000个大小不同、类别不同的候选区域）；
- 用DCNN进行特征提取；
- 使用SVM分类器进行分类，得到一个初略的检测结果；
- 再次使用DCNN获取特征，并结合SVM回归模型得到更加精确的
边界框。
3、selective search的具体流程如下：
selective Search
4、R－ＣNN 流程
R－ＣNN 目标检测过程
R－ＣNN 流程图
５、R－ＣNN 实现流程
R－CNN 实现流程
6、CNN结构和精度
CNN结构来源于AlexNet ,已经在ImageNet数据集上的1000个类别的分类任务中训练过，通过微调参数来完成21个类别的分类。
在VOC 2011 的测试数据集上的检测精度为：71.8%。
7、缺点：1，训练和测试过程分为好几个阶段：得到候选区域，DCNN 特征提取, SVM分类、SVM边界框回归，训练过程非常耗时。2，训练过程中需要保存DCNN得到的特征，很占内存空间。3， 测试过程中，每一个候选区域都要提取一遍特征，而这些区域有一定重叠度，各个区域的特征提取独立计算，效率不高，使测试一幅图像非常慢。
网友评论