深度学习中目标检测 / 开普饭

该部分内容出自书《21个项目玩转深度学习：基于TensorFlow的实践详解》，有需要的同志可以关注我的公众号，加入下发的群，在群公告中有附网盘，可以自取（仅供学习使用）。如果失效可以联系或者在公众号留言！！！

深度学习中目标检测的原理

R-CNN 的全称是 Region-CNN，它可以说是第一个成功地将深度学习应用到目标检测上的算法。后面将要学习的 Fast R-CNN、 Faster R-CNN 全部都是建立在 R-CNN 基础上的。

传统的目标检测方法大多以图像识别为基础。一般可以在图片上使用穷

举法选出所高物体可能出现的区域框，对这些区域框提取特征并使用圄像识

别万法分类，得到所高分类成功的区域后，通过非极大值抑制（ Non-maximum suppression ）输出结果。

R-CNN遵循传统目标检测的思路，同样采用提取框、对每个框提取特征、图像分类、非极大值抑制四个步骤进行目标检测。只不过在提取特征这一步，将传统的特征（如 SIFT 、 HOG 特征等）换成了深度卷积网络提取的特征。 R-CNN 的整体框架如图 5-2 所示。

对比：

对于原始图像，首先使用 SelectiveSearch 搜寻可能存在物体的区域。
Selective Search 可以从图像中启发式地搜索出可能包含物体的区域。相比穷举而言， Selective Search 可以减少一部分计算量。下一步，将取出的可能含
高物体的区域送入 CNN 中提取特征。 CNN 通常是接受一个固定大小的图像，而取出的区域大小却各高不同。对此， R-CNN的做法是将区域缩放到统一大小，再使用 CNN提取特征。提取出特征后使用 SVM 进行分类，最后通过非极大值抑制输出结果。

R-CNN的训练、可以分成下面四步：

1）在数据集上训练 CNN 。 R-CNN 论文中使用的 CNN 网络是 AlexNet，数据集为 ImageNet 。

2）在目标检测的数据集上，对训练好的 CNN司做微调。

3）用 Selective Search 搜索候选区域，统一使用微调后的 CNN对这些区域提取特征，并将提取到的特征存储起来。

4）使用存储起来的特征，训练 SVM 分类器。

尽管 R-CNN 的识别框架与传统方法区别不是很大，但是得益于 CNN 优异的特征提取能力， R-CNN 的效果还是比传统方法好很多。如在 VOC 2007数据集上，传统方法最高的平均精确度 mAP ( mean Average Precision ）为40%左右，而 R-CNN 的 mAP 达到了 58.5%！

R-CNN 的缺点是计算量太大。在一张图片中，通过 Selective Search 得

到的有效区域往往在 1000 个以上，这意昧着要重复计算 1000 多次神经网络，非常耗时。另外，在训练、阶段，还需要把所有特征保存起来，再通过 SVM进行训练，这也是非常耗时且麻烦的。Fast R-CNN 和 FasterR-CNN 在一定程度上改进了 R-CNN 计算量大的缺点，不仅速度变快不少，识别准确率也得到了提高。

具体的实现书中有详细说明

下面放上一些检测的代码

Faster –RCNN的检测效果

深度学习中目标检测

相关推荐