样本不均衡条件下交通标志检测方法研究4

经典目标检测算法 ​

两阶段目标检测算法 ​

是目标检测领域的经典算法之一，也叫基于候选区的检测算法，其将目标检测其主要思想是先生成候选区域，再对候选区域进行分类和回归。两阶段目标检测算法的代表性算法有R-CNN系列算法和Faster R-CNN算法。

该类算法的主要流程如下：

生成候选区域 -> 送入卷积神经网络进行目标检测

两阶段目标检测算法的优点是准确率较高，但是速度较慢。

R-CNN系列算法 ​

借鉴传统的目标检测方法，系列算法首先使用生成候选区域，作为初始区域集合，计算区域先私下，然后按照合并规则合并最大相似的两个相邻区域，得到更大区域，加入到区域集合中。重复区域合并过程，直到只剩下一个区域，得到最终的候选区域。

再将特征提取后的特征向量输入至进行分类，最后使用回归器对候选区域进行微调，得到最终的目标检测结果。

示例图如下：

R-CNN模型图

R-CNN检测流程 1是输入一个图片。2是提取大约2000个候选区域。3是用CNN计算每一个候选区域的特征。4是用线性SVM对每一个候选区域进行分类。

但由于R-CNN模型特征提取阶段候选框较多（大约2000个），模型计算量大，速度慢，因此后续有了Fast R-CNN、Faster R-CNN等算法的提出。

Faster R-CNN算法 ​

在采用选择性搜索算法图像对特征图提取到多个候选框后，通过增加（ROI pooling layer）实现特征区域的重复利用，避免了大量的重复计算，然后通过全连接层和 softmax 层进行分类和回归，提高了检测速度。

示例图如下：

Faster R-CNN算法模型结构

引用图来自 Faster R-CNN算法 原论文，解释来自CSDN-一文读懂Faster RCNN（大白话，超详细解析）

Faster R-CNN算法基本结构

• conv layers。即特征提取网络，用于提取特征。通过一组conv+relu+pooling层来提取图像的feature maps，用于后续的RPN层和取proposal。
• RPN（Region Proposal Network）。即区域候选网络，该网络替代了之前RCNN版本的Selective Search，用于生成候选框。这里任务有两部分，一个是分类：判断所有预设anchor是属于positive还是negative（即anchor内是否有目标，二分类）；还有一个bounding box regression：修正anchors得到较为准确的proposals。因此，RPN网络相当于提前做了一部分检测，即判断是否有目标（具体什么类别这里不判），以及修正anchor使框的更准一些。
• RoI Pooling。即兴趣域池化（SPP net中的空间金字塔池化），用于收集RPN生成的proposals（每个框的坐标），并从（1）中的feature maps中提取出来（从对应位置扣出来），生成proposals feature maps送入后续全连接层继续做分类（具体是哪一类别）和回归。
• Classification and Regression。利用proposals feature maps计算出具体类别，同时再做一次bounding box regression获得检测框最终的精确位置。

Fast R-CNN 解决了 R-CNN 中重复计算问题，但其仍然使用选择性搜索产生候选 区域，选择性搜索耗时较长，依然不能满足目标检测的实时性。

为解决 Fast R-CNN 算法中选择性搜索耗时时间长的问题，Faster R-CNN 在保留Fast R-CNN 的 ROI 结构后，还采用了区域建议网络（Region Proposal Network RPN）快速生成候选区域，通过对 RPN 端到端的训练来生成高质量的候选区域，极大的缩短了候选区域生成时间。同时 Faster R-CNN 引入概念，在训练时，以真实边框位置和 Anchor Box 的偏移来训练样本，Faster R-CNN 最后的输入特征图每一像素都将进行预测，每一像素对应 9 个不同的大小和长宽比 Anchor Box，每个 Anchor Box 会去负责跟自己最匹配的那个物体。

如下图所示：

Faster R-CNN 模型结构图

但是 Faster R-CNN 仍然存在一些问题，如训练时需要两个网络，训练时间较长，且训练过程复杂，不利于端到端训练。

概念解释 ​

• 选择性搜索算法：选择性搜索算法是一种用于目标检测的候选区域生成算法，通过在图像中寻找相似区域，生成候选区域，用于目标检测。

• 区域建议网络（Region Proposal Network RPN）：区域建议网络是 Faster R-CNN 算法中的一个网络，用于快速生成候选区域，通过对 RPN 端到端的训练来生成高质量的候选区域，极大的缩短了候选区域生成时间。

• 预定义边框（Anchor Box）：预定义边框是 Faster R-CNN 算法中的一个概念，用于训练时，以真实边框位置和 Anchor Box 的偏移来训练样本，Faster R-CNN 最后的输入特征图每一像素都将进行预测，每一像素对应 9 个不同的大小和长宽比 Anchor Box，每个 Anchor Box 会去负责跟自己最匹配的那个物体。

• ROI 结构层（ROI pooling layer）：ROI 结构层是 Faster R-CNN 算法中的一个层，用于实现特征区域的重复利用，避免了大量的重复计算，然后通过全连接层和 softmax 层进行分类和回归，提高了检测速度。

• 端到端训练：端到端训练是一种深度学习的训练方法，即将整个模型作为一个整体进行训练，而不是分阶段训练，可以提高模型的性能。

• proposal: 候选区域，即通过选择性搜索算法或区域建议网络生成的候选区域。

单阶段目标检测待续...... ​

问卷调查 ​

在本篇学习笔记中，在多处使用了AI快捷搜索对话功能，作为读者，你认为这种功能对你的文章阅读有帮助吗？您可点击以下链接参与问卷调查，帮助我们更好地改进产品，本次问卷为有奖问卷，包括PostChat会员和现金奖励，感谢您的参与！点击参与问卷调查