原文引用：http://lufo.me/2016/10/detection/

最近幾年深度學習在計算機視覺領域取得了巨大的成功，而在目標檢測這一計算機視覺的經典問題上直到去年(2015)才有了完全使用深度學習的方法，也就是大名鼎鼎的Faster-RCNN以及和它同一時期的工作YOLO。

目標檢測就是要找到一張圖中所有的物體和它們的位置，在這兩篇文章之前，人們通常的做法是先用一些傳統視覺的方法如selective search找到proposal，即比較可能是物體的一個區域，然后再用CNN判斷這個物體究竟是不是物體，是哪個物體，以及用CNN去優化這個框的位置，這種方法最典型的代表就是Faster-RCNN的前身，RCNN和Fast-RCNN，當然它們也是同樣出色的工作。Faster-RCNN和YOLO解決的問題是省去了selective search，直接用CNN得到最后的結果，并且性能比之前的方法有很大提升。這篇文章主要介紹一下Faster-RCNN中替換掉selective search的RPN(Region Proposal Network)以及對RPN的改進:SSD(Single Shot MultiBox Detector)。

Faster-RCNN由RPN和Fast-RCNN組成，RPN負責尋找proposal，Fast-RCNN負責對RPN的結果進一步優化。其實RPN已經可以找到圖片中每個物體的種類和位置，如果更注重速度而不是精度的話完全可以只使用RPN。RPN是一個全卷積網絡(FCN)，由于沒有全連接層，所以可以輸入任意分辨率的圖像，經過網絡后就得到一個feature map，然后怎么利用這個feature map得到物體的位置和類別那？這里要先介紹一下文章中提到的anchor這個概念，把這個feature map上的每一個點映射回原圖，得到這些點的坐標，然后著這些點周圍取一些提前設定好的區域，如選取每個點周圍5x5的一個區域，這些選好的區域可以用來訓練RPN。假設我們對feature map上的每個點選取了K個anchor，feature map的大小為H*W*C，那么我們再對這個feature map做兩次卷積操作，輸出分別是H*W*num_class*K和H*W*4*K，分別對應每個點每個anchor屬于每一類的概率以及它所對應的物體的坐標，那么怎么訓練這個網絡那？這個網絡的loss function就是一個用于分類的softmax loss和一個用于回歸的smooth L1 loss，輸出對應的ground truth也很好得到，對于每個anchor，如果它和圖片中某個物體的IOU(面積的交/面積的并)大于一個閾值，就認為它屬于這一類，否則認為是背景，對于那些是背景的anchor回歸的loss就是0，其他anchor位置的ground truth就是它們所對應的物體的位置。RPN其實也很簡單，關鍵的地方就在于選取了一些anchor然后進行pixel-wise的學習。論文中RPN的插圖如下圖:

但是RPN也有缺點，最大的問題就是對小物體檢測效果很差，假設輸入為512*512，經過網絡后得到的feature map是32*32，那么feature map上的一個點就要負責周圍至少是16*16的一個區域的特征表達，那對于在原圖上很小的物體它的特征就難以得到充分的表示，因此檢測效果比較差。去年年底的工作SSD: Single Shot MultiBox Detector很好的解決了這個問題。

我個人認為SSD可以理解為multi-scale版本的RPN，它和RPN最大的不同在于RPN只是在最后的feature map上預測檢測的結果，而最后一層的feature map往往都比較抽象，對于小物體不能很好地表達特征，而SSD允許從CNN各個level的feature map預測檢測結果，這樣就能很好地適應不同scale的物體，對于小物體可以由更底層的feature map做預測。這就是SSD和RPN最大的不同，其他地方幾乎一樣。下圖是SSD的網絡結構，可以看到不同層的feature map都可以做預測。

另外SSD的代碼也寫得非常簡潔優雅，不得不感嘆作者真是碉堡，即寫得了paper又做得了coding，不得不服。

總結

以上是生活随笔為你收集整理的目标检测方法简介:RPN(Region Proposal Network) and SSD(Single Shot MultiBox Detector)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。