two stage 、one stage 的目标检测算法( 二 ) _算法

文章插图
图1.4R-CNN
1.5 MR-CNN
2015 年巴黎科技大学提出 MR-CNN 算法，结合样本区域本身的特征，利用样本区域周围采样的特征和图像分割的特征来提高识别率，可将检测问题分解为分类和定位问题。

文章插图
图1.5 MR-CNN
分类问题由 Multi- CNN Model 和-Aware CNN Model 组成。前者的候选框由得到，对于每一个样本区域，取 10 个区域分别提取特征后拼接，这样可以强制网络捕捉物体的不同方面，同时可以增强网络对于定位不准确的敏感性，其中max即 ROI max ；后者使用 FCN 进行目标分割，将最后一层的map 和前者产生的map 拼接，作为最后的map 。
为了精确定位，采用三种样本边框修正方法，分别为 Bbox 、以及box。Bbox ：在 Multi- CNN Model 中整幅图经过网路的最后一层卷积层后，接一个 Bboxlayer，与 RPN 不同，此处的layer 是两层 FC 以及一层layer，为了防止得到的框过于贴近物体而导致无法很好的框定物体，将候选框扩大为原来的 1.3 倍再做。：初始的框是得到的框，然后用已有的分类模型对框做出估值，低于给定阈值的框被筛掉，剩下的框用 Bbox的方法调整大小，并迭代筛选。box ：首先对经过处理后的框应用 NMS, IOU = 0.3，得到检测结果，然后对于每一个框，用每一个和其同一类的而且 IOU >0.5 的框加权坐标，得到最后的目标样本框。
1.6
2016 年清华大学提出算法，其利用网络多个层级提取的特征，且从较前层获取的精细特征可以减少对于小物体检测的缺陷。将提取到的不同层级map 通过最大池化降维或逆卷积扩增操作使得所有map 尺寸一致，并利用 LRN 正则化堆叠，形成 Hypermaps，其具有多层次抽象、合适分辨率以及计算时效性的优点。接着通过结构进行预测和定位，仅保留置信度最高的 N 个样本框进行判断。

文章插图
图1.6
1.7 CRAFT

文章插图
图1.7 CRAFT
R-CNN 系列算法的第一阶段是生成目标，第二阶段是对目标进行分类，2016 年中科院自动化所提出的 CRAFT 算法分别对R-CNN 中的这两个阶段进行了一定的改进。对于生成目标阶段，在 RPN 的后面加了一个二值的 Fast R-CNN 分类器来对 RPN 生成的进行进一步的筛选，留下一些高质量的；对于第二阶段的目标分类，在原来的分类器后又级联了 N 个类别（不包含背景类）的二值分类器以进行更精细的目标检测。
1.8 R-FCN

文章插图
图1.8 R-FCN
随着全卷积网络的出现，2016 年微软研究院的Dai 等提出 R-FCN 算法。相较于R-CNN 算法只能计算 ROI层之前的卷积网络特征参数，R-FCN 算法提出一种位置敏感分布的卷积网络代替 ROI层之后的全连接网络，解决了R-CNN 由于 ROI层后面的结构需要对每一个样本区域跑一次而耗时比较大的问题，使得特征共享在整个网络内得以实现，解决物体分类要求有平移不变性和物体检测要求有平移变化的矛盾，但是没有考虑到的全局信息和语义信息。
1.9 MS-CNN
针对R-CNN 算法的遗留问题，2016 年加州大学圣地亚哥分校的 Z Cai提出了 MS-CNN 算法，通过利用R-CNN 算法结构的多个不同层级输出的特征结果来检测目标，将不同层级的检测器互补形成多尺度的强检测器，应用浅层特征检测小尺寸目标，应用深层特征检测大尺寸目标。并且利用去卷积层代替图像上采样来增加图像分辨率，减少内存占用，提高运行速度。