歡迎來(lái)到《每周CV論文推薦》。在這個(gè)專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統(tǒng)性完成學(xué)習(xí)，所以我們推薦的文章也必定是同一主題的。

目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺(jué)的基礎(chǔ)任務(wù)之一，應(yīng)用非常廣泛，今天給大家推薦初學(xué)目標(biāo)檢測(cè)必讀的一些文章。

作者&編輯 | 言有三

1 OverFeat

傳統(tǒng)的目標(biāo)檢測(cè)如V-J人臉檢測(cè)算法需要使用多尺度的滑動(dòng)窗口技術(shù)來(lái)提取候選檢測(cè)區(qū)域然后提取特征，OverFeat作為ILSVRC2013年目標(biāo)檢測(cè)和定位的冠軍網(wǎng)絡(luò)，它把分類過(guò)程中提取到的特征同時(shí)又用于定位檢測(cè)任務(wù)，將滑動(dòng)窗口從圖像空間轉(zhuǎn)移到了特征空間，大大降低了計(jì)算代價(jià)。

文章引用量：3000+

推薦指數(shù)：?????

[1] Sermanet P, Eigen D, Zhang X, et al. Overfeat: Integrated recognition, localization and detection using convolutional networks[J]. arXiv preprint arXiv:1312.6229, 2013.

2 Cascade CNN

Cascade CNN是級(jí)聯(lián)的結(jié)構(gòu)和深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的代表，與V-J框架思想相同。具體實(shí)現(xiàn)是將分類網(wǎng)絡(luò)最后的全連接層修改成卷積層得到全卷積網(wǎng)絡(luò)，從而可以接受任意大小的輸入圖像。這樣由粗到精的框架是目標(biāo)檢測(cè)中很常見(jiàn)的思路，以后還會(huì)看到很多的研究。

文章引用量：600+

推薦指數(shù)：?????

[2] Li H, Lin Z, Shen X, et al. A convolutional neural network cascade for face detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 5325-5334.

3 RCNN

基于候選區(qū)域的RCNN框架是卷積神經(jīng)網(wǎng)絡(luò)做目標(biāo)檢測(cè)中影響巨大的研究，引領(lǐng)了一個(gè)系列的發(fā)展，這也是傳統(tǒng)算法和CNN的一個(gè)結(jié)合。

文章引用量：9000+

推薦指數(shù)：?????

[3] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 580-587.

4 SPPNet與Fast RCNN

SPPNet提出的Spatial Pyramid Pooling層實(shí)現(xiàn)了將輸入的任意尺度的特征圖轉(zhuǎn)換為特定維度的輸出，從而去掉了RCNN框架中原始圖像上的crop/warp等操作的約束。

Fast RCNN借鑒了SPPNet的思想，使用了一個(gè)簡(jiǎn)化的SPP層，即RoI（Region of Interesting）Pooling層，通過(guò)RoI pooling反投影回原來(lái)的圖像空間，實(shí)現(xiàn)獲取任意圖像區(qū)域特征的目標(biāo)。它有點(diǎn)類似于VJ算法中的積分圖，實(shí)現(xiàn)了一次特征提取，處處可以使用，從而大大降低了計(jì)算量。

文章引用量：3000+

推薦指數(shù)：?????

[4] He K, Zhang X, Ren S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2015, 37(9): 1904-1916.

[5]?Girshick R. Fast r-cnn[C]//Proceedings of the IEEE international conference on computer vision. 2015: 1440-1448.

5 Faster RCNN與R-FCN

Faster RCNN方法提出了Region Proposal Networks，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)自己學(xué)習(xí)生成候選區(qū)域，充分利用了feature maps的價(jià)值，去除了耗時(shí)的selective search，使得目標(biāo)檢測(cè)框架達(dá)到了實(shí)時(shí)的性能。

R-FCN使用了全卷積的架構(gòu)，去除了Faster RCNN中每一個(gè)區(qū)域進(jìn)行分類時(shí)需要單獨(dú)使用全連接層進(jìn)行特征提取的方案，進(jìn)一步降低了計(jì)算代價(jià)。

文章引用量：11000+

推薦指數(shù)：?????

[6] Ren S, He K, Girshick R, et al. Faster r-cnn: Towards real-time object detection with region proposal networks[C]//Advances in neural information processing systems. 2015: 91-99.

[7]?Dai J, Li Y, He K, et al. R-fcn: Object detection via region-based fully convolutional networks[C]//Advances in neural information processing systems. 2016: 379-387.

6 FPN

為了解決Faster RCNN系列不能很好地適用多尺度目標(biāo)預(yù)測(cè)的問(wèn)題，FPN框架將高層的特征與低層的特征進(jìn)行融合，分別對(duì)每一層進(jìn)行預(yù)測(cè)，多尺度從此是一個(gè)性能強(qiáng)勁的目標(biāo)檢測(cè)框架中必不可少的元素。

文章引用量：1000+

推薦指數(shù)：?????

[8] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2117-2125.

8 如何獲取文章與交流

找到有三AI開(kāi)源項(xiàng)目即可獲取。

https://github.com/longpeng2008/yousan.ai

文章細(xì)節(jié)眾多，閱讀交流在有三AI知識(shí)星球中進(jìn)行，感興趣可以加入。

總結(jié)

以上就是初次進(jìn)入目標(biāo)檢測(cè)領(lǐng)域要讀的文章，下一次，我們將介紹初次進(jìn)入圖像分割領(lǐng)域要讀的文章。

有三AI夏季劃

有三AI夏季劃進(jìn)行中，歡迎了解并加入，系統(tǒng)性成長(zhǎng)為中級(jí)CV算法工程師。

轉(zhuǎn)載文章請(qǐng)后臺(tái)聯(lián)系

侵權(quán)必究

往期精選

• 【每周論文推薦】 初入深度學(xué)習(xí)CV領(lǐng)域必讀的幾篇文章

• 【每周CV論文推薦】 掌握殘差網(wǎng)絡(luò)必讀的10多篇文章

• 【每周CV論文推薦】 初學(xué)者必須精讀的5篇深度學(xué)習(xí)優(yōu)化相關(guān)文章

• 【每周CV論文推薦】 CV領(lǐng)域中數(shù)據(jù)增強(qiáng)相關(guān)的論文推薦

• 【每周CV論文推薦】 初學(xué)高效率CNN模型設(shè)計(jì)應(yīng)該讀的文章

總結(jié)

以上是生活随笔為你收集整理的【每周CV论文推荐】 初学目标检测必须要读的文章的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。