|
object detection是要在图像中识别到物体，并定位的算法，即图像识别+定位。classification+localization。
这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，物体还可以是多个类别。
如下所示：
识别分类任务是CNN网络来完成；定位的任务有专门的算法！
定位思路1：看做机器学学习回归问题
看做回归问题，我们需要预测出（x,y,w,h）四个参数的值，从而得出方框的位置，方框用4个数字表达，使用欧式距离计算损失函数。
计算与真实的xywh的欧式距离，真实的4个数训练时需要标记。
具体可以把最后全连接层1000类改为20类，rename下；
以上是两个模型，分别解决分类和定位的两个问题。
只训练头部比全部训练效果差2%~3%；
这里需要进行两次fine-tuning：
第一次在ALexNet上做，第二次将头部改成regression head，前面不变，再做一次fine-tuning
接在最后一个卷积层的后边---VGG，Overfeat;
接在最后一个全连接层之后--RCNN，Deeppose;
regression太难做了，应想方设法转换为classification问题。
regression的训练参数收敛的时间要长得多，所以上面的网络采取了用classification的网络来计算出网络共同部分的连接权值。
标注也需要多个，每个部位各有4个数；
把人体拆分成若干关节，两个点代表关节，所有关节标记起始点方向，预测角度！
定位思路2：取图像窗口预测得分
根据得分的高低，我们选择了右下角的黑框作为目标位置的预测。
注：有的时候也会选择得分最高的两个框，然后取两框的交集作为最终的位置预测。
总结一下思路：
对一张图片，用各种大小的框（遍历整张图片）将图片截取出来，输入到CNN，然后CNN会输出这个框的得分（classification）以及这个框图片对应的x,y,h,w（regression）。
优化时间:优化前--
优化后：把全连接层改为卷积层，这样可以提提速。
全连接层耗时最多，改为权重共享w的卷积层--思路如下：
多个物体的识别定位：
把回归->分类问题！如下：
问题是：框在哪----移动太多了？框多大---大小？----量级很大！
只能找出可能含有物体的候选框，比如选1000个候选框，这些框之间是可以互相重叠互相包含的，这样我们就可以避免暴力枚举的所有框了。
---边缘策略！
问题是候选框的选择方法：
分割？选择性搜索？如下：
以下是各种选定候选框的方法的性能对比：
基于以上思路，RCNN算法被发明用于object detection，技术的演进如下，SppNET是一个承前启后的算法：
RCNN->SppNET->Fast-RCNN->Faster-RCNN。
1.R-CNN
R是region即边缘，速度不快！用的是上边边缘策略！
先拿到框框，再resize框的大小,再卷积拿到框框里的特征，放到SVM分类器中分类。
RCNN的步骤：
步骤一:训练（或者下载）一个分类模型（比如AlexNet）
步骤二：对该模型做fine-tuning
将分类数从1000改为20
去掉最后一个全连接层
步骤三：特征提取
提取图像的所有候选框（选择性搜索）
对于每一个区域：修正区域大小以适合CNN的输入，做一次前向运算，将第五个池化层的输出（就是对候选框提取到的特征）存到硬盘
步骤四：训练一个SVM分类器（二分类）来判断这个候选框里物体的类别
每个类别对应一个SVM，判断是不是属于这个类别，是就是positive，反之nagative
比如下图，就是狗分类的SVM
步骤五：使用回归器精细修正候选框位置：对于每一个类，训练一个线性回归模型去判定这个框是否框得完美。
2.Fast R-CNN
在R-CNN上的改进：把2000个卷积改成一次映射；
3.Faster R-CNN
在最后一个卷积神经网络后边，加了个slide woindow，窗口做后续的分类
https://www.cnblogs.com/skyfsm/p/6806246.html
| 
转播
