经典目标检测算法对比分析

Region Proposal RP 候选区推荐

• R-CNN：Region-based convolutional neural networks

• 基本结构：SS提取RP+CNN提取特征+SVM分类+Bounding boxes Regression

• 缺点：

• 改进点：

1. 评价指标 mAP从DPM HSC的34.3%，提上到66%

2. 引入RPN+CNN

1. 训练步骤繁琐(微调网络+训练SVM+训练bbox);

2. 训练及推理速度慢；

3. 训练占用内存大；

• Fast R-CNN：Region-based convolutional neural networks

• 基本结构：SS提取RP+CNN提取特征+Softmax分类+多任务损失函数Bounding boxes Regression

• 缺点：

• 改进点：

1. 评价指标 mAP从R-CNN的66%，提上到70%

2. 推理耗时3s

1. 通过SS提取RP耗时长(耗时2-3s),特征提取耗时0.32s;

2. 无法满足实时推理的需求；

3. 没有做到端到端的训练测试；

4. CNN模块可以利用CNN,但是区域推荐出还是使用CPU

• Faster R-CNN：Fast Region-based convolutional neural networks

• 基本结构：RPN提取RP+CNN提取特征+Softmax分类+多任务损失函数Bounding boxes Regression

• 缺点：

• 改进点：

1. 同时提高了检测精度和速度；

2. 实现了端到端的训练和推理框架；

3. 生成RP仅需要10ms

1. 无法满足实时推理的需求；

2. 获取Region Proposal,再对每个Region Proposal分类，计算量仍然比较大；

• Mask R-CNN：通用实例分割架构

• 基本结构：ResNeXt提取特征+RPN提取RP+RoI Align+Faster R-CNN+FCN+Softmax分类+多任务损失函数Bounding boxes Regression

• 缺点：

• 改进点：

1. Mask RCNN以Faster RCNN原型，增加了一个分支用于分割任务，对于Faster RCNN的每个Proposal Box都要使用FCN进行语义分割,分割任务与定位、分类任务是同时进行，实现语义分割；

2. 引入了RoI Align代替Faster RCNN中的RoI Pooling，RoI Pooling并不是按照像素一一对齐的(pixel-to-pixel alignment)，对bbox的影响不是很大，但对于mask的精度影响较大；

3. 引入语义分割分支，实现了mask和class预测的关系的解耦，mask分支只做语义分割，类型预测的任务交给另一个分支，与原本的FCN网络是不同的，原始的FCN在预测mask时还用同时预测mask所属的种类

1. 无法满足实时推理的需求；

2. 获取Region Proposal,再对每个Region Proposal分类，计算量仍然比较大；

• YOLO：one-stage的目标检测算法，将物体的定位和分类在一起完成，在一个输出层回归bounding box的位置和bounding box所属类别

• 基本结构：CNN(Google inceptionV1网)提取特征+目标检测层( grid，NMS筛选层)+Softmax分类+多任务损失函数Bounding boxes Regression

• 缺点：

• 改进点：

1. 图像分区:将图像隐式的分割为S X S个网格，当物体中心落在哪个网格里哪个网格就负责预测

2. 计算量小：张量大小只有

3. 实现了实时检测；

4. YOLO将目标检测任务转换成一个回归问题，大大加快了检测的速度，使得YOLO可以每秒处理45张图像。而且由于每个网络预测目标窗口时使用的是全图信息，使得false positive比例大幅降低

1. 没有了Region Proposal机制，只使用7*7的网格回归会使得目标不能非常精准的定位，这也导致了YOLO的检测精度并不是很高；