本文轉載自：

http://www.cnblogs.com/lillylin/p/6207119.html

目標檢測方法系列——R-CNN, SPP, Fast R-CNN, Faster R-CNN, YOLO, SSD

---

?

目錄

• 相關背景

• 從傳統方法到R-CNN

• 從R-CNN到SPP

• Fast R-CNN

• Faster R-CNN

• YOLO

• SSD

• 總結

• 參考文獻

• 推薦鏈接

?

---

?

相關背景

• 14年以來的目標檢測方法（以R-CNN框架為基礎或對其改進）

?

• 各方法性能對比

• 分類，定位，檢測三種視覺任務的簡單對比

• 一般的目標檢測方法

從傳統方法到R-CNN

• R-CNN的三大步驟：得到候選區域，用cnn提取特征，訓練分類器（后兩步放在一個網絡中，用softmax做分類器也可以）

從R-CNN到SPP

• R-CNN必須限制輸入圖像大小（全連接層要求）

• SPP的兩大優勢：可變輸入大小 + 各patch塊之間卷積計算是共享的

• SPP的缺陷：multi-stage，訓練和測試都比較慢

Fast R-CNN

• Fast R-CNN通過ROI pooling（一層的SPP）,multi-task等改進大大提高速度

• Fast R-CNN的優勢與弱勢

Faster R-CNN

• Faster R-CNN對于Fast R-CNN的改進在于把region proposal的步驟換成一個CNN網絡（RPN）

• Faster R-CNN的兩個base model: ZF，VGG16 （base model的中間conv輸出即為要輸入到RPN的那個feature map）

• Faster R-CNN的錨點anchor box

• Faster R-CNN的損失函數

• Faster R-CNN的四步訓練

YOLO

• 從Faster R-CNN到YOLO

• YOLO的pipeline

• YOLO的網絡結構

• YOLO的模型（最右圖為網絡輸出的tensor）

• YOLO的損失函數

• YOLO的優勢和劣勢

SSD

• SSD的pipeline和關鍵技術

• SSD的網絡結構

• SSD的多尺度特征圖

• SSD的default box

• SSD的default box與faster r-cnn的anchor box的對比

• SSD的訓練樣本與groundTruth的匹配策略 + 損失函數

• SSD的default box和尺度選擇

總結

• 從R-CNN → SPP?→?Fast R-CNN?→?Faster R-CNN?→?YOLO?→?SSD整體在準確率和速度上都在提高

---

?

參考文獻

• R-CNN

• • • Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: CVPR. (2014)

• SPP

  • • He, K., Zhang, X., Ren, S., Sun, J.: Spatial pyramid pooling in deep convolutional networks for visual recognition. In: ECCV. (2014)

• Fast R-CNN

  • • Girshick, R.: Fast R-CNN. In: ICCV. (2015)

• Faster R-CNN

  • • Ren, S., He, K., Girshick, R., Sun, J.: Faster R-CNN: Towards real-time object detection with region proposal networks. In: NIPS. (2015)

• YOLO

  • • Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: Unified, real-time object detection. In: CVPR. (2016)

• SSD

  • • W. Liu, D. Anguelov, D. Erhan, C. Szegedy, and S. Reed. SSD: Single shot multibox detector. arXiv:1512.02325v2, 2015

?

?

---

推薦鏈接

• Object detection methods (codes)

  • • https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html#r-cnn

• 所有目標檢測方法的中文總結（博客）

  • • http://46aae4d1e2371e4aa769798941cef698.devproxy.yunshipei.com/cosmosshadow/article/details/50244715
    • http://www.cnblogs.com/venus024/p/5717766.html

• Faster RCNN的論文閱讀

  • • http://www.voidcn.com/blog/sloanqin/article/p-5994844.html

• YOLO的論文閱讀

  • • http://blog.csdn.net/tangwei2014/article/details/50915317
    • http://blog.csdn.net/cv_family_z/article/details/46803421

• R-FCN的論文閱讀

  • • http://blog.csdn.net/u011534057/article/details/52733823

• SSD的論文閱讀

  • • http://www.aichengxu.com/view/24600342
    • http://m.2cto.com/kf/201609/549802.html
    • http://www.itdadao.com/articles/c15a476096p0.html
    • http://blog.csdn.net/u011534057/article/details/52733686

總結

以上是生活随笔為你收集整理的目标检测方法系列：R-CNN, SPP, Fast R-CNN, Faster R-CNN, YOLO, SSD的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。