目标检测算法综述（近20年）

深藏阁楼爱情的钟 2022-01-28 00:23 764阅读 0赞

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

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

GitHub：[下载地址][Link 3]

##### 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。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]

##### 一、目标检测传统算法 #####

包括：  
\`\`  
1、[Viola-Jones算法][Viola-Jones]

2、[HOG 特征算法][HOG]

3 [DPM 模型][DPM]  
\`\`

##### 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。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 1]

### 网络性能比较如下： ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 2]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 3]

--------------------

#### 1.R-CNN [论文地址][Link 4] ####

[代码地址][Link 5]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 4]  
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][Link 6] ####

[代码地址][Link 7]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 5]  
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][Link 8] ####

[代码][Link 9]

[算法详解][Link 10]（anchor机制）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 7]  
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][Link 11] ####

[代码][Link 12]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 8]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 9]  
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：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 10]  
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][Link 13] ####

[代码][Link 14]

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。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 11]  
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。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 12]  
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 [\[论文地址\]][Link 15] ####

[\[代码\]][Link 16]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 13]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 14]  
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 ） K^2（C+1） K2（C\+1）维向量做分类，第三个分支在feature map上得到 4 K 2 4K^2 4K2个向量用作Bounding Box回归
3.  在  K 2 （ C + 1 ） K^2（C+1） K2（C\+1）和 4 K 2 4K^2 4K2两个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][Link 17] ####

[代码][Link 18]

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][Link 19] ####

[代码][Link 12]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 15]  
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][Link 20] ####

[代码][Link 21]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 16]  
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][Link 22]\-------- ####

#### 【CornerNet】[博客][Link 23] ####

--------------------

#### 【CenterNet】 [博客][Link 24] ####

--------------------

#### 【FCOS】 [博客][Link 25] ####

2019-11.15

--------------------

#### 【EfficientDet】 [博客][Link 26] ####

2019-12-5

未完待续

[Link 1]: https://arxiv.org/pdf/1809.02165v1.pdf
[Link 2]: https://arxiv.org/pdf/1905.05055v1.pdf
[Link 3]: https://github.com/hoya012/deep_learning_object_detection
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]: /images/20220128/33160b5be51a48feb4bafb968780bb74.png
[Viola-Jones]: https://blog.csdn.net/u011285477/article/details/49659567
[HOG]: https://blog.csdn.net/liulina603/article/details/8291093
[DPM]: https://blog.csdn.net/qq_14845119/article/details/52625426
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 1]: /images/20220128/c796ac61c9074d628c750802ec61c67d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 2]: /images/20220128/7a6adb45e28d4b4eaba68fed74b18447.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 3]: /images/20220128/b0599b6bf047459899bb27e0092c0cc4.png
[Link 4]: https://arxiv.org/pdf/1311.2524.pdf
[Link 5]: https://github.com/rbgirshick/rcnn
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 4]: /images/20220128/3a415ac7188d4ea09e0df7468053312b.png
[Link 6]: https://arxiv.org/pdf/1504.08083.pdf
[Link 7]: https://github.com/rbgirshick/fast-rcnn
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 5]: /images/20220128/354042f5c3634a1eae42a28e502b00db.png
[Link 8]: https://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-networks.pdf
[Link 9]: https://github.com/rbgirshick/py-faster-rcnn
[Link 10]: https://www.cnblogs.com/zyly/p/9247863.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 6]: /images/20220128/9c6a70ff67cb452ab5019ee23eab778a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 7]: /images/20220128/91027c39c0384639a0cf0ac3f74ba008.png
[Link 11]: https://arxiv.org/pdf/1506.02640.pdf
[Link 12]: https://pjreddie.com/darknet/yolo/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 8]: /images/20220128/484ed829bca44cffa322dab61c6933a2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 9]: /images/20220128/87ca1c086ddf4a508e09002a5c1bdb60.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 10]: /images/20220128/d9f58c4200e34181a3ad9c60383a2859.png
[Link 13]: https://arxiv.org/pdf/1512.02325.pdf
[Link 14]: https://github.com/weiliu89/caffe/tree/ssd
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 11]: /images/20220128/dd32ff111e1c420b90fedd232251f0bb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 12]: /images/20220128/dde5338345a24978a60186b7567ea09a.png
[Link 15]: https://arxiv.org/pdf/1605.06409.pdf
[Link 16]: https://github.com/daijifeng001/R-FCN
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 13]: /images/20220128/bc3dec0cdeea45a7b5a8a165b22591f1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 14]: /images/20220128/d802881702a34dab8f1d05e618281898.png
[Link 17]: https://arxiv.org/pdf/1612.08242.pdf
[Link 18]: https://pjreddie.com/darknet/yolov2/
[Link 19]: https://pjreddie.com/media/files/papers/YOLOv3.pdf
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 15]: /images/20220128/bdb88f7738114bf48af040d4cd999e4c.png
[Link 20]: https://arxiv.org/pdf/1811.04533.pdf
[Link 21]: https://github.com/qijiezhao/M2Det
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 16]: /images/20220128/13c8a7ef22c14040a4241af601deda92.png
[Link 22]: https://blog.csdn.net/weixin_38632246/article/details/99714894
[Link 23]: https://blog.csdn.net/weixin_38632246/article/details/102782199
[Link 24]: https://blog.csdn.net/weixin_38632246/article/details/100574796
[Link 25]: https://blog.csdn.net/weixin_38632246/article/details/100542184
[Link 26]: https://blog.csdn.net/weixin_38632246/article/details/103400788