整體框架
目標(biāo)檢測算法主要包括：【兩階段】目標(biāo)檢測算法、【多階段】目標(biāo)檢測算法、【單階段】目標(biāo)檢測算法什么是兩階段目標(biāo)檢測算法，與單階段目標(biāo)檢測有什么區(qū)別？
兩階段目標(biāo)檢測算法因需要進(jìn)行兩階段的處理：1）候選區(qū)域的獲取，2）候選區(qū)域分類和回歸，也稱為基于區(qū)域（Region-based）的方。與單階段目標(biāo)檢測算法的區(qū)別：通過聯(lián)合解碼同時獲取候選區(qū)域、類別什么是多階段目標(biāo)檢測算法？
【兩階段】和【多階段】目標(biāo)檢測算法統(tǒng)稱級聯(lián)目標(biāo)檢測算法，【多階段】目標(biāo)檢測算法通過多次重復(fù)進(jìn)行步驟：1）候選區(qū)域的獲取，2）候選區(qū)域分類和回歸，反復(fù)修正候選區(qū)域
根據(jù)是否屬于錨框分為：
主要考慮問題
兩階段目標(biāo)檢測算法
RCNN
1、模型通過【選擇性搜索算法】獲取潛在的候選區(qū)域2、截取原圖每個候選區(qū)域并resize輸入到模型中進(jìn)行特征抽取3、使用SVM進(jìn)行分類，以及進(jìn)行bounding box 回歸
存在問題：
重復(fù)編碼：由于候選區(qū)域存在重疊，模型需要重復(fù)進(jìn)行重疊區(qū)域的特征圖提取，計算冗余模型訓(xùn)練：由于特征抽取模型和區(qū)域的分類回歸模型分開訓(xùn)練，無法進(jìn)行端到端的模型訓(xùn)練，訓(xùn)練過程需要提取每個包含重疊區(qū)域的候選區(qū)域特征并保存用于分類和回歸訓(xùn)練
實(shí)時性差：重復(fù)編碼導(dǎo)致實(shí)時性不佳，【選擇性搜索算法】耗時嚴(yán)重Fast-RCNN
考慮到RCNN的缺點(diǎn)，F(xiàn)ast-RCNN來了！1、模型依舊通過【選擇性搜索算法】獲取潛在的候選區(qū)域2、將原圖通過特征抽取模型進(jìn)行一次的共享特征圖提取，避免了重復(fù)編碼
3、在特征圖中找到每一個候選區(qū)域?qū)?yīng)的區(qū)域并截取【區(qū)域特征圖】，ROI pooling層中將每個【區(qū)域特征圖】池化到統(tǒng)一大小
4、分別進(jìn)行softmax分類（使用softmax代替了RCNN里面的多個SVM分類器）和bbox回歸
主要優(yōu)點(diǎn)：
2、不需要存儲中間特征向量用于SVM分類和回歸模型訓(xùn)練3、使用更高效的SPPnet特征提取網(wǎng)絡(luò)存在問題：
實(shí)時性差：選擇性搜索獲取候選區(qū)域耗時，主要通過貪婪算法合并低級特征超像素，單張圖片耗時接近2s，且無法使用GPU加速Faster R-CNN
使用RPN網(wǎng)絡(luò)代替Fast RCNN使用的選擇性搜索進(jìn)行候選區(qū)域的提取，相當(dāng)于Faster R-CNN=RPN+Fast RCNN，且RPN和Fast RCNN共享卷積層。1、多尺度目標(biāo)：通過RPN網(wǎng)絡(luò)候選區(qū)域，并使用不同大小和長寬比的anchors來解決多尺度問題
2、通過計算anchors與真實(shí)框的交并比IOU，并通過閾值建立正負(fù)樣本
3、樣本不平衡：每批次隨機(jī)采樣256個anchors進(jìn)行邊框回歸訓(xùn)練，并盡可能保證正負(fù)樣本數(shù)相同，避免負(fù)樣本過多導(dǎo)致的梯度統(tǒng)治問題
論文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
多階段目標(biāo)檢測算法
Cascade R-CNN
通過分析Faster RCNN在目標(biāo)候選區(qū)域的位置修正能力， 如下圖基于單個檢測器的可優(yōu)化性但優(yōu)化的程度有限，通過多次將預(yù)測區(qū)域作為候選區(qū)域進(jìn)行修正，使得輸出的預(yù)測區(qū)域與真實(shí)標(biāo)簽區(qū)域的IOU逐級遞增
主要優(yōu)點(diǎn):
1、準(zhǔn)確性：碾壓各種單雙階段目標(biāo)檢測算法，采用RoIAlign取代RoIPooling2、多尺度：通過FPN網(wǎng)絡(luò)集成多尺度特征圖，利用歸一化尺度偏差方法緩解不同尺度對Loss的影響程度3、實(shí)時性：去除了Fater RCNN的全連接層，取而代之采用FCN網(wǎng)絡(luò)，相比Fater RCNN，具有更少的模型參數(shù)和計算時間主要不足：
單階段目標(biāo)檢測算法
編碼方式
1、基于中心坐標(biāo)
方案1
通過計算IOU或者長寬比閾值篩選每個anchor位置對應(yīng)的target，可能過濾比較極端的target，但緩解目標(biāo)重疊情況下的編碼重疊問題通過對應(yīng)anchor找到中心坐標(biāo)位置（x,y）方案2
通過iou最大值計算每個target對應(yīng)的anchor位置，保證每個target至少對應(yīng)一個,目標(biāo)少的情況下但容易造成目標(biāo)稀疏編碼，通過對應(yīng)target找到中心坐標(biāo)位置(x,y)，YOLOv5中通過中心坐標(biāo)結(jié)合四舍五入進(jìn)行多中心坐標(biāo)映射緩解目標(biāo)稀疏問題同時利用方案1和方案2，保證每個target至少對應(yīng)一個anchor區(qū)域YOLOv1
雖然是單階段目標(biāo)檢測開山之作，但真正的鼻祖應(yīng)該是Faster RCNN的RPN
主要優(yōu)點(diǎn):
2、采用全局特征進(jìn)行推理，由于利用全局上下文信息，相比于滑動窗口和建議框方法，對背景的判斷更準(zhǔn)確3、泛化性，訓(xùn)練好的模型在新的領(lǐng)域或者不期望的輸入情況下依然具有較好的效果主要不足：
1、準(zhǔn)確性：與Faster RCNN相比，correcct反映了YOLOv1準(zhǔn)確率較低，background反映了召回率較高，但總體性能F1較低，雖然loss采用長寬平方根進(jìn)行回歸，試圖降低大目標(biāo)對loss的主導(dǎo)地位，但小目標(biāo)的微小偏差對IOU的影響更嚴(yán)重，導(dǎo)致小目標(biāo)定位不準(zhǔn)
2、目標(biāo)重疊：雖然通過每個S*S的網(wǎng)格點(diǎn)設(shè)置了2個預(yù)測框用于回歸訓(xùn)練，但是每個網(wǎng)格點(diǎn)設(shè)置了一種類別，無法解決不同類別目標(biāo)重疊率較大，導(dǎo)致映射到相同網(wǎng)格點(diǎn)上的問題3、多尺度：由于模型只是簡單使用下采樣獲得的粗糙特征，很難將其推廣到具有新的或不同尋常的寬高比或配置的對象
4、實(shí)時性：雖然與Faster RCNN相比，速度很快，但還可以更快，主要是由于v1中使用了全連接網(wǎng)絡(luò)，不是全卷積網(wǎng)絡(luò)
全連接層參數(shù)=7x7x1024x4096+4096X7x7x30=2x10^8
SSD
通過使用FCN全卷積神經(jīng)網(wǎng)絡(luò)，并利用不同尺度的特征圖進(jìn)行目標(biāo)檢測，在速度和精度都得到了極大提升主要優(yōu)點(diǎn)
1、實(shí)時性：相比YOlOv1更快，因?yàn)槿コ巳B接層2、標(biāo)簽方案：通過預(yù)測類別置信度和相對固定尺度集合的先驗(yàn)框的偏差，能夠有效均衡不同尺度對loss的影響程度
3、多尺度：通過使用多個特征圖和對應(yīng)不同尺度的錨框進(jìn)行多尺度目標(biāo)預(yù)測
4、數(shù)據(jù)增強(qiáng)：通過隨機(jī)裁剪的方式進(jìn)行數(shù)據(jù)增強(qiáng)提高模型的魯棒性
5、樣本不平衡：通過困難樣本挖掘，采用負(fù)樣本中置信度最高的先驗(yàn)框進(jìn)行訓(xùn)練，并設(shè)置正負(fù)樣本比例為1：3，使得模型訓(xùn)練收斂更快
主要不足
1、通過人工先驗(yàn)設(shè)置的不同尺度的錨框無法適應(yīng)真實(shí)的目標(biāo)框的尺度分布2、使用的多個特征圖由于高分辨率的特征圖不能有效地結(jié)合高層特征YOLOv2
針對YOLOv1在解決多尺度和實(shí)時性方面的不足，提出了YOLOv2
主要優(yōu)點(diǎn)：
1）Batch Normalization：使得性能極大提升；2）Higher Resolution Classifier：使預(yù)訓(xùn)練分類任務(wù)分辨率與目標(biāo)檢測的分辨率一致；
3）Convolutional With Anchor Boxes：使用全卷積神經(jīng)網(wǎng)絡(luò)預(yù)測偏差，而非具體的坐標(biāo)，模型更容易收斂；
4）Dimension Clusters：通過聚類算法設(shè)置錨框的尺度，獲得更好的先驗(yàn)框，緩解了不同尺度對loss的影響變化；
5）Fine-Grained Features：通過簡單相加融合了低層的圖像特征；
6）Multi-Scale Training：通過使用全卷積網(wǎng)絡(luò)使得模型支持多種尺度圖像的輸入并輪流進(jìn)行訓(xùn)練
2、更快，構(gòu)建Darknet-19代替VGG-16作為backbone具有更好的性能
主要不足
1、多尺度：在模型維度只是簡單融合底層特征，在輸入維度進(jìn)行多尺度圖像分辨率的輸入訓(xùn)練，不能克服模型本身感受野導(dǎo)致的多尺度誤差RetinaNet
論文：Focal Loss for Dense Object Detection主要優(yōu)點(diǎn)
1、多尺度：借鑒FPN網(wǎng)絡(luò)通過自下而上、自上而下的特征提取網(wǎng)絡(luò)，并通過無代價的橫向連接構(gòu)建增強(qiáng)特征提取網(wǎng)絡(luò)，利用不同尺度的特征圖檢測不同大小的目標(biāo)，利用了底層高分率的特征圖有效的提高了模型對小尺度目標(biāo)的檢測精度2、樣本不平衡：引入Focal Loss用于候選框的【類別預(yù)測】，克服正負(fù)樣本不平衡的影響及加大困難樣本的權(quán)重主要不足
1、實(shí)時性：網(wǎng)絡(luò)使用ResNet-101作為主干特征提取網(wǎng)絡(luò)，檢測效率略微不足
YOLOv3
論文：YOLOv3: An Incremental Improvement主要優(yōu)點(diǎn)
1、實(shí)時性：相比RetinaNet，YOLOv3通過犧牲檢測精度，使用Darknet主干特征提取網(wǎng)絡(luò)而不是Resnet101，從而獲取更快的檢測速度2、多尺度：相比于YOLOv1-v2，與RetinaNet采用相同的FPN網(wǎng)絡(luò)作為增強(qiáng)特征提取網(wǎng)絡(luò)得到更高的檢測精度
3、目標(biāo)重疊：通過使用邏輯回歸和二分類交叉熵?fù)p失函數(shù)進(jìn)行類別預(yù)測，將每個候選框進(jìn)行多標(biāo)簽分類，解決單個檢測框可能同時包含多個目標(biāo)的可能
主要不足
1、準(zhǔn)確率：主要因?yàn)镈arknet的特征提取不夠強(qiáng)，未進(jìn)行精細(xì)化結(jié)構(gòu)模型設(shè)計
YOLOv4
論文：YOLOv4: Optimal Speed and Accuracy of Object Detection鑒于YOLOv3的缺點(diǎn)，YOLOv5進(jìn)行了Darknet53主干特征提取網(wǎng)絡(luò)等一系列改進(jìn)主要優(yōu)點(diǎn)
1、實(shí)時性：借鑒CSPNet網(wǎng)絡(luò)結(jié)構(gòu)將Darknet53改進(jìn)為CSPDarknet53使模型參數(shù)和計算時間更短
2、多尺度：頸部分別引入PAN和SPP網(wǎng)絡(luò)結(jié)構(gòu)作為增強(qiáng)特征提取網(wǎng)絡(luò)，能夠有效多尺度特征，相比于引入FPN網(wǎng)絡(luò)準(zhǔn)確度更高3、數(shù)據(jù)增強(qiáng)：引入Mosaic數(shù)據(jù)增強(qiáng)，在使用BN的時候可以有效降低batch_size的影響
4、模型訓(xùn)練，采用IOU：GIoU，DIoU，CIoU作為目標(biāo)框的回歸，與YOLOv3使用的平方差損失相比具有更高的檢測精度
YOLOv5
為了進(jìn)一步提升YOLOv4的檢測速度，YOLOv5采用了更輕量的網(wǎng)絡(luò)結(jié)構(gòu)主要優(yōu)點(diǎn)
1、多尺度：使用FPN增強(qiáng)特征提取網(wǎng)絡(luò)代替PAN，使模型更簡單，速度更快2、目標(biāo)重疊：使用四舍五入的方法進(jìn)行臨近位置查找，使目標(biāo)映射到周圍的多個中心網(wǎng)格點(diǎn)主要不足
1、通過長寬比篩選并過濾了大小和長寬比較極端的真實(shí)目標(biāo)框，而這些恰恰在真實(shí)檢測任務(wù)極為重要，和重點(diǎn)解決的檢測問題
轉(zhuǎn)自：https://zhuanlan.zhihu.com/p/354060133
作者：不出名的小金
本文僅作學(xué)術(shù)分享，著作權(quán)歸屬原作者，侵刪。
求分享 求點(diǎn)贊 求在看！！！
