目标识别（objec recognition）是指明一幅输入图像中包含那类目标。其输入为一幅图像，输出是该图像中的目标属于哪个类别（class probability）。而目标检测（object detection）除了要告诉输入图像中包含了哪类目前外，还要框出该目标的具体位置（bounding boxes）。
很多计算机视觉任务（如人脸识别，车牌识别，场景描述）背后的基础都是目标检测。自从 AlexNet 获得 ILSVRC 2012 挑战赛冠军后，用 CNN 进行目标识别成为主流。目标检测也得益于CNN在目标识别领域的进步发展越来越快。
目标检测流程可以大致分成三步，第一步是提议窗口（region proposal）的生成，第二步是图像特征的提取，第三步是提议区域图像分类。其中最具代表性的环节就是提议窗口的生成和筛选。
边框预测、边框筛选
边框预测（Boxes Prediction）环节负责得出大量提议边框，该部分可采用的模型多种多样；边框筛选（Boxes Filtering）过程则采用非最大抑制来实现。
交并比（IOU）与非最大抑制（NMS）
（1）交并比（IOU）
交并比用来描述两个边框的重合程度，重合度IOU计算公式为：IOU=(A∩B)/(A∪B)，即两框覆盖区域的交集与并集的面积比。IOU越大，说明两个边框重合度越高。
（2）非最大抑制（NMS）
当边框预测环节生成了大量提议边框后，接着要为每个矩形框做类别分类概率，最后需要判别哪些矩形框是没用的。
所谓的非极大值抑制就是根据分类器类别分类概率做排序，从小到大排序，先拿最大概率候选框与其他框计算重叠度IOU，丢弃高于阈值的提议框。然后从没有被丢弃的提议框中再找最大概率提议框，重复上述操作.....直到找到所有被保留下来的提议框。
以下将介绍物体检测技术的发展历程。
1、传统的目标检测方法
传统机器学习方法采用的目标检测方案有:
haar/LBP特征+Adaboost决策树分类器
HOG特征 + SVM分类器
其中边框预测技术主要采用滑窗法。
滑窗法(Sliding Window)
首先对输入图像进行不同窗口大小的滑窗进行从左往右、从上到下的滑动。每次滑动时候对当前窗口执行分类器(分类器是事先训练好的)。如果当前窗口得到较高的分类概率，则认为检测到了物体。对每个不同窗口大小的滑窗都进行检测后，会得到不同窗口检测到的物体标记，这些窗口大小会存在重复较高的部分，最后采用非极大值抑制(Non-Maximum Suppression, NMS)的方法进行筛选。最终，经过NMS筛选后获得检测到的物体。
2、R-CNN
该方法作为深度学习用于物体识别的开山之作，后续很多基于提议框为基础的方法都是在该方法上进行改进得到的。该方案首先利用一种选择搜索算法（selective search）从图中选出2000个左右的候选框，对每一个候选框内的图片缩放至指定的大小并放入CNN中进行特征提取，并将指定的特征存储下来。提取出特征后使用SVM进行分类，最后通过非极大值抑制输出结果。
选择搜索法（selective search）
选择搜索算法的主要观点：图像中物体可能存在的区域应该是有某些相似性或者连续性区域的。基于这一想法采用子区域合并的方法进行提取提议边界框。首先，对输入图像用分割算法产生许多小的子区域。其次，根据这些子区域之间相似性(相似性标准主要有颜色、纹理、大小等等)进行区域合并，不断的进行区域迭代合并。每次迭代过程中对这些合并的子区域做外切矩形（bounding boxes），这些子区域外切矩形就是通常所说的提议框。它的计算效率优于滑窗法，而且由于采用子区域合并策略，所以可以包含各种大小的疑似物体框。 合并区域相似的指标多样性，提高了检测物体的概率。
R-CNN的训练可分成下几步:
（1）通过选择性搜索，对待检测的图片进行搜索出约2000个候选窗口。
（2）把这2000个提议窗口的图片都缩放到227*227，然后分别输入CNN中（论文中使用的CNN网络是AlexNet，数据集为ImageNet），每个提议窗口提取出一个特征向量，也就是说利用CNN对每个提议窗口进行提取特征向量，并将提取到的特征存储起来。
（3）把上面每个提议窗口的对应特征向量，利用SVM算法进行分类识别。
R-CNN的缺点是计算量太大。在一张图片中，通过Selective Search得到的有效区域往往在1000个以上，这意味着要重复计算1000多次神经网络，非常耗时。另外，在训练阶段，还需要把所有特征保存起来再通过SVM进行训练，这也是非常耗时且麻烦的。
创新
使用了选择搜索法作为边框预测算法。
使用了CNN提取图像特征
3、SPP-net
R-CNN 需要足够多的提议窗口才能保证准确度， 而很多区域是相互重叠的。R-CNN 的训练和推理过程都很缓慢。例如，我们生成了 2000 个的区域提议，每个区域提议分别进入 CNN。换句话说，我们对不同的候选窗口重复了进行了 2000 次的提取特征。
SPPNet的英文全称是Spatial Pyramid Pooling Convolutional Networks，翻译成中文是“空间金字塔池化卷积网络”，代表特点就是SPP池化层。出自2015年发表在IEEE上的论文-《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》
SPP池化层
从下往上看，第一步卷积提取特征图，第二步金字塔池化，第三步将池化结果送入全连接层。第二步的金字塔池化其实就是把原来的特征图分别分成4X4=16块，2X2=4块，1X1=1块(不变），总共21块，取每块的最大值作为代表，即每张特征图就有了21维的参数，总共卷积出来256个特征图，则送入全连接层的维度就是21X256。
对比R-CNN，SPP-net的训练过程是：
（1）通过选择性搜索，对待检测的图片进行搜索出2000个候选窗口。这一步和R-CNN一样。
（2） 特征提取阶段。这一步就是和R-CNN最大的区别了，这一步骤的具体操作是把整张待检测的图片，输入CNN中，进行一次性特征提取，得到feature maps，然后在feature maps中找到各个候选框的区域，再对各个候选框采用金字塔空间池化（SPP池化层），提取出固定长度的特征向量。而R-CNN输入的是每个候选框，然后在进入CNN，因为SPP-Net只需要一次对整张图片进行特征提取，速度会大大提升。
（3）最后一步也是和R-CNN一样，采用SVM算法进行特征向量分类识别。
SPP-net对R-CNN最大的改进就是特征提取步骤做了修改，其他模块仍然和R-CNN一样。特征提取不再需要每个候选区域都经过CNN，只需要将整张图片输入到CNN就可以了，候选窗口特征直接从特征图获取。和R-CNN相比，速度提高了百倍。
创新
提出了一种从候选区域到全图特征之间的对应映射关系，通过此种映射关系可以直接获取到候选区域的特征向量，不需要重复使用CNN提取特征，从而大幅度缩短训练时间（每张图片只需进行一次前向传播即可）。
# -*- coding: utf-8 -*-
"""
SPP池化层
"""
import tensorflow as tf
import numpy as np
import pandas as pd
def spp_layer(input_, levels=4, name = 'SPP_layer',pool_type = 'max_pool'):
'''
Multiple Level SPP layer.
Works for levels=[1, 2, 3, 6].
'''
shape = input_.get_shape().as_list()
with tf.variable_scope(name):
for l in range(levels):
l = l + 1
ksize = [1, np.ceil(shape[1]/ l + 1).astype(np.int32), np.ceil(shape[2] / l + 1).astype(np.int32), 1]
strides = [1, np.floor(shape[1] / l + 1).astype(np.int32), np.floor(shape[2] / l + 1).astype(np.int32), 1]
if pool_type == 'max_pool':
pool = tf.nn.max_pool(input_, ksize=ksize, strides=strides, padding='SAME')
pool = tf.reshape(pool,(shape[0],-1),)
else :
pool = tf.nn.avg_pool(input_, ksize=ksize, strides=strides, padding='SAME')
pool = tf.reshape(pool,(shape[0],-1))
print("Pool Level {:}: shape {:}".format(l, pool.get_shape().as_list()))
if l == 1:
x_flatten = tf.reshape(pool,(shape[0],-1))
else:
x_flatten = tf.concat((x_flatten,pool),axis=1)
print("Pool Level {:}: shape {:}".format(l, x_flatten.get_shape().as_list()))
# pool_outputs.append(tf.reshape(pool, [tf.shape(pool)[1], -1]))
return x_flatten
#x = tf.ones((4,16,16,3))
#x_sppl = spp_layer(x,4)
4、Fast R-CNN
Ross Girshick在2015年推出Fast R-CNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。Fast R-CNN和R-CNN相比，测试时间从49秒减少到2.3秒。
相对于R-CNN与SPP-net，Fast R-CNN的主要亮点有：Fast R-CNN借助多任务损失函数将物体识别和位置修正合成到一个网络中，不再对网络进行分步训练，不需要大量内存来存储训练过程中特征的数据；用ROI层代替SPP层，可以更高效地训练更新整个网络。
Fast R-CNN 选择 VGG16 的卷积层 conv5 来生成待合并提议窗口来进行目标检测，其中，包括了与相应特征的映射。利用ROI池化层对图像块进行形变转换成固定大小，然后将其输入到全连接层进行分类和定位（检测出目标的位置）。
创新
整个网络（特征提取器，分类器和边界框回归器）可以通过多任务损失 multi-task losses（分类损失和定位损失）进行端到端的训练。
Fast-RCNN很重要的一个贡献是成功的让人们看到了Region Proposal+CNN这一框架实时检测的希望，原来多类检测真的可以在保证准确率的同时提升处理速度，也为后来的Faster-RCNN做下了铺垫。
5、Faster R-CNN
Fast R-CNN存在的瓶颈是选择性搜索找出所有的提议框，这步也非常耗时。测试时， Fast R-CNN 需要 2.3 秒进行预测，而其中 2 秒花费在生成 2000 个ROIs 上。那我们能不能找出一个更加高效的方法来求出这些提议框呢？
解决：加入一个提取边缘的神经网络，也就说找到提议框的工作也交给神经网络来做了。
Faster R-CNN 采用与 Fast R-CNN 相似的设计，不同之处在于它通过内部深度网络取代区域提议方法。 新的区域提议网络（Region Proposal Network, RPN）效率更高。单副图像生成提议窗口只需要 10ms 。
有了RPN执行边框预测的Faster R-CNN执行一次预测任务只需要0.2~0.3s。
Faster R-CNN 网络工作流如下
区域提议网络(Region proposal network)
Faster RCNN抛弃了传统的滑动窗口和SS方法，直接使用RPN生成检测框，这也是Faster R-CNN的巨大优势，能极大提升检测框的生成速度。
6、RetinaNet
https://github.com/fizyr/keras-retinanet
7、Mask-RCNN
未完待续，更新中...
网友评论