一 为什么读这篇

目标检测的综述，18年9月份出的，非常的新，当时粗略扫了一下，感觉总结的十分全面，做目标检测不得不读。

二 截止阅读时这篇论文的引用次数

2019.2.5 9次。

三 相关背景介绍

18年9月挂到arXiv上，一作刘丽是个妹子，主要搞文理分析，12年国防科大博士毕业，现在是国防科大的副教授，同时也算芬兰的奥卢大学的人，二作，三作也是华人，分别是悉尼大学的和香港中文大学的，四作是老外，加拿大的滑铁卢大学，还有几个作者应该是一作的老板，好奇是什么促成这种合作关系来写综述的。。

GitHub上有个哥们基于本篇论文做了当前最新进展的更新：https://github.com/hoya012/deep_learning_object_detection

本文有点长，长达30页。。

四 关键词

Object Detection

Survey

Review

五 论文的主要贡献

1 对近5年深度学习时代目标检测方法的梳理

六 详细解读

1 介绍

本文包括250多项关键贡献，涵盖了通用目标检测研究的许多方面：领先的检测框架，包括目标特征表示，目标提议生成的基本子问题，上下文信息建模和训练策略，评估问题，特别是基准数据集，评估指标以及SOTA的性能。

目标检测作为图像理解和计算机视觉的基石，是解决分割，场景理解，对象跟踪，图像字幕，事件检测以及活体识别的基础。

od_survey-fig1.png

1.1 与之前综述的比较

od_survey-table1.png

具体目标检测（非通用），如人脸检测，行人检测，车辆检测，交通信号检测非本文讨论之列。

1.2 分类方法论

本文选取论文的标准：论文的完整性和对该领域的重要性。本文主要聚焦于近5年的工作。另外限制在图片而非视频的目标检测。

2 背景

2.1 问题

当前业界主要关心的是有高度结构化的对象（如汽车，人脸，自行车和飞机）和articulated（如人类，奶牛和马），而不是非结构化场景（如天空，草地和云彩）。本文用bounding box做空间定位，而不是精确到像素的分割掩模或封闭边界，但是需要注意的是业界正在往这个方向转。

od_survey-fig3.png

2.2 主要挑战

od_survey-fig4.png

od_survey-fig5.png

尽管过去几年的研究有明显的进步，不过同时结合准确率和效率的目标尚未达成。

2.2.1 与准确率相关的挑战

总的来说就两点：

1 广泛的类内差异

2 大量的目标类别

而类内差异又可以分为两种类型：内在因素（如图5h）和成像条件（如图5a-g）。

PASCAL VOC，ILSVRC，MS COO的目标类别数分别为20，200和91，而这远远小于人类能识别的数目。

2.2.2 与效率相关的挑战

单张图像上可能有非常多的位置和尺度（如图5c）。因为图像和类别都变得太多，因此不太可能都去人工标注，逼着算法用弱监督学习。

2.3 过去二十年的进展

早期的研究主要基于模板匹配，简单部分基于模型。

od_survey_fig2.png

在90年代末和21世纪初，表示特征从全局表示往局部表示发展，这些表示具有平移，缩放，旋转，光照，视角和遮挡的不变性。手工提取的局部不变特征变得非常流行，始于SIFT（Scale Invariant Feature Transform）特征，后续有Haar，HOG（Histogram of Gradients），LBP（Local Binary Patterns）等等。这些局部特征通常被汇总起来，通过简单的拼接或特征池化编码（例如Bag of Visual Words，Spatial Pyramid Matching，Fisher Vectors）

Region based CNN（RCNN）是深度学习时代目标检测的里程碑。

根据识别科学家的结论，人类能够识别大约3000个大类，30000个子类的视觉目标，而领域专家通常能识别10万的级别，要想让系统达到人类这一水平还是非常有挑战的。

3 框架

近来特征提取是从手工设计的特征转为DCNN特征了，不过作为对比，用于定位的滑动窗口（sliding window）策略仍然是主流。然鹅，窗口数量很大以致于搜索空间很大，导致了高计算复杂度。因此，设计高效有效的检测框架起着关键作用。常用的策略包括级联（cascading），共享特征计算和减少每个窗口计算。

od_survey-fig6.png

od_survey-table10.png

这些方法可以分为两类：

A 两阶段检测框架，包括用于候选区域（region proposal）的预处理步骤

B 一阶段检测框架（无候选区域）

3.1 基于区域（两阶段）

先从图像上生成类别无关的候选区域，然后提取这些区域的CNN特征，最后用类别有关的分类器判断候选的类别。

RCNN

集成了AlexNet和selective search的候选区域方法。

od_survey-fig7.png

流程如下：

1 未知类别区域候选，它是可能包含目标的候选区域，通过selective search得到

2 从图像中裁剪并扭曲（warp）成相同大小的候选区域，用作微调预训练模型的输入

3 一组类别有关的线性SVM分类器，用于训练从CNN提取的固定长度的特征，SVM替换了通过微调学习的softmax

4 通过CNN特征学习每个目标类的边界框回归

缺点如下：

1 训练是一个复杂的多阶段流水线，它不够优雅，缓慢且难以优化，因为每个阶段都必须独自训练

2 仅仅用于粗定位的候选区域需要从外部检测

3 训练SVM和边界框回归很费磁盘和时间，因为从每幅图提取的候选区域的CNN特征都是独自提取的

4 测试也很慢，因为每个目标提名都要提取CNN特征

SPPNet

在测试期间，CNN特征的提取是R-CNN的主要瓶颈，因为需要提取上千个扭曲的候选区域的CNN特征。注意到这些问题，何恺明等人引入了传统的空间金字塔池化（spatial pyramid pooling SPP）。他们发现了一个事实，卷积层可以接受任意大小的输入，CNN中需要固定图像大小的要求仅仅是因为全连接层。所以在最后一个卷积层上面添加了一个SPP层，以获取用于全连接层的固定长度特征。通过SPPNet，R-CNN速度明显得到改善并且没有牺牲检测质量，就是因为只需在测试图像上运行一次卷积层，用来生成固定长度的特征用于任意大小的候选区域。尽管SPPNet从数量级上提高了R-CNN的测试阶段的速度，但是并没怎么加速训练阶段。更糟的是，微调SPPNet不能更新SPP层之前的卷积层，这限制了非常深的网络的准确率。

sppnet-fig3.png

sppnet-fig5.png

Fast R-CNN

R-CNN的作者Girshick提出Fast R-CNN用于解决R-CNN和SPPNet的问题。如图8所示，Fast R-CNN能够端到端的训练（忽略了生成候选区域的过程），通过开发一个精简的训练过程，使用多任务损失，同时学习softmax分类器和与类别有关的边界框回归，而不是像R-CNN/SPPNet那样在三个独立的阶段训练softmax分类器，SVM和BBRs。

Fast R-CNN利用多个候选区域共享卷积计算的想法，在最后一个卷积层和第一个全连接层之间添加感兴趣区域池化层（Region of Interest(ROI) pooling），以提取每个候选区域固定长度的特征。实质上，RoI pooling在特征级别使用扭曲（warping）来近似图像级别的扭曲。RoI pooling层之后的特征输入给FC层，最终分为两个分支：softmax用于目标类别预测，边界框回归用于优化候选区域的偏移。

相比R-CNN/SPPNet，Fast R-CNN在训练时快3倍，测试时快10倍。它可以在一个训练阶段更新所有的网络，也不需要存储特征缓存。

od_survey-fig8.png

Faster R-CNN

尽管Fast R-CNN极大加速了检测过程，不过还是要依赖外部的候选区域。候选区域的计算是Fast R-CNN新的瓶颈。因此，可以把用于生成候选区域的selective search用CNN替换。任少卿等人的Faster R-CNN提出了候选区域网络（Region Proposal Network RPN）用来生成候选区域。他们用一个网络来完成，RPN生成候选区域，Fast R-CNN用于区域分类。RPN和Fast R-CNN共享大量的卷积层。最后一个共享卷积层的特征被用于候选区域和区域分类这两个分支。

RPN首先初始化k个n x n的anchors，这些anchors在每个卷积特征图的位置上有不同的尺度和纵横比。每个n x n anchor映射为低维向量（ZF256维，VGG512维），之后输入到两个并行的FC层，一个目标类别分类层和一个边界框回归层。

和Fast R-CNN不同，RPN中用于回归的特征有同样的大小。RPN共享Fast R-CNN的卷积特征，因此在计算候选区域时非常高效。

RPN实际上是一种FCN（Fully Convolutional Network）。

总的来说，Faster RCNN是一种没有使用手工特征的纯CNN框架。

RFCN(Region based Fully Convolutional Network)

尽管Faster RCNN比Fast RCNN有数量级的提速，然鹅每个RoI上仍需要使用基于区域的子网络（每张图上有数百个RoI）。MSRA的代季峰等人提出的RFCN几乎所有计算都是整张图共享。如图8所示，RFCN与Faster RCNN的不同仅仅在于RoI子网络。在Faster RCNN中，RoI池化层后的计算不是共享的。一个很自然的想法就是最小化不能共享的总计算量，因此代等人提出全部使用卷积层来构建共享的RoI子网络，在预测之前，提取最后一层卷积特征的RoI crops。然鹅，他们发现这种简单的设计检测准确率相当低，推测到更深的卷积层对类别的语义更敏感，而对平移不够敏感，然而目标检测需要与平移变化相关的定位表示。基于这个观察，代等人通过使用一组专门的卷积层作为FCN的输出构建了一组位置敏感的得分图，在上面添加了与标准RoI池化层不同的位置敏感的RoI池化层。

Mask RCNN

何恺明等人遵循简洁，高效和灵活的理念，通过扩展Faster RCNN提出Mask RCNN，来解决像素级对象实例分割。Mask RCNN的第一阶段与Faster RCNN一样，在第二阶段，增加了一个分支用于输出每个RoI的二进制掩模。新分支是CNN特征图上的FCN。为了避免原始RoI池化层引起的错位，提出了一个RoIAlign层来保持像素级空间对应。

Light Head RCNN

为了更进一步加速RFCN，旷视的黎泽明等人提出Light Head RCNN，使检测网络的头部尽可能轻，以减少RoI区域计算。

3.2 统一Pipeline（一阶段）

统一流水线是指直接从全图上预测类概率和边界框偏移的架构，不涉及候选区域生成或后分类。该方法简单而优雅，因为它完全消除了候选区域生成和后续的像素或特征重采样阶段，将所有计算封装在单个网络中。因为是单个网络，所以能直接端到端的优化。

DetectorNet

GoogLeNet的一作于2013年提出的。

OverFeat

GoogLeNet的合作者于2013年提出的，算是第一个现代一阶段目标检测网络，赢了ILSVRC2013的定位挑战赛。OverFeat通过CNN网络的单个前向传播以多尺度滑动窗口的方式执行目标检测，该CNN网络仅由卷积层组成（除最终分类/回归层）。通过这种方式，它们很自然的共享了重叠区域的计算。OverFeat生成一个特征向量网格，每个特征向量代表输入图像中稍微不同的上下文视角位置，因此可以预测目标的存在。一旦识别出目标，则使用相同的特征来预测单个边界框回归。速度优势源于使用完全卷积网络共享重叠窗口之间的卷积计算。

YOLO(You Only Look Once)

Redmon等人提出的YOLO是统一的框架，将目标检测问题转化为回归问题。如图8所示，因为把候选区域生成阶段完全抛弃掉，YOLO可以使用一组小的候选区域直接预测。不像Faster RCNN那样的基于区域的方法，预测基于局部区域的特征，YOLO使用全图的特征。特别地，YOLO将图像分为S x S的格网，每个格网预测C个类别概率，B个边界框位置和置信度分数。这些预测编码为的张量。因为预测时YOLO看到的是整张图，它隐含地编码关于目标类的上下文信息，因此不太可能把背景预测为正例。

YOLO有可能对小目标预测失败，是因为网格划分比较粗糙，并且每个网格内只能包含一个目标。

YOLOv2 and YOLO9000

YOLOv2的改进点有，用更简单的DarkNet19替换自定义的GoogLeNet，利用了当时一系列策略，比如加上BN，去掉全连接层，使用kmeans学习到的anchor box，以及多尺度训练。

YOLO9000能实时检测超过9000个目标的类别。

SSD(Single Shot Detector)

SSD的速度比YOLO v1快，准确率和Faster RCNN差不多。SSD结合了Faster RCNN中的RPN，YOLO以及多尺度卷积特征的理念。跟YOLO一样，SSD预测固定数目的边界框和目标类别分数，之后跟着NMS。

SSD的网络是完全卷积的，早期层基于标准架构，如VGG。之后几个辅助卷积层逐渐减小大小，加到基网络的后面。低分辨率的最后一层的信息可能空间上太粗糙而不能精确定位，SSD使用高分辨率的浅层来预测小目标。

对于不同大小的目标，SSD通过多个卷积特征图的来执行多尺度检测，每个特征图预测类别分数及边界框合适的偏移。

4 基本子问题

本节包含特征表示，候选区域，上下文信息挖掘以及训练策略等重要的子问题。

4.1 基于目标表示的DCNN(Depp CNN)

4.1.1 流行的CNN架构

od_survey-table2.png

od_survey-fig9.png

4.1.2 提升目标表示的方法

CNN这种固有的特征层次结构生成了不同空间分辨率的特征图，但在结构上存在固有问题：后面的（更高的）层有大的感受野，更强的语义，对目标姿态，光照，部分变形等变化有很强的健壮性，但是分辨率很低因此集合信息都丢失了。与此相反，前面的（更低的）层有小的感受野和丰富的几何信息，但是分辨率太高，对语义缺少敏感。直觉上，目标的语义概念可以出现在不同的层中，具体取决于目标的大小。

大量方法通过利用CNN的多个层来提升检测效果，多尺度目标检测大致分为三种类型：

1 使用多个CNN层的组合特征进行检测

2 在多个CNN层上直接检测

3 结合上述两种方法

（1）使用多个CNN层的组合特征进行检测

代表方法有Hypercolumns，HyperNet，ION。这种特征组合通常通过跳跃连接来完成。

od_survey-fig10.png

（2）在多个CNN层上直接检测

FCN通过平均分割概率结合多个层的从粗糙到精细的预测。SSD，MSCNN，RBFNet，DSOD结合多个特征图的预测来处理各种大小的目标。SSD将不同比例的默认框展开到CNN中的多个层，并强制每个层专注于预测特定比例的目标。

（3）结合上述两种方法

从具有较大感受野的后面的层检测大目标，从具有较小感受野的前面的层检测小目标，感觉是很自然的，然而，简单地检测来自前面层的目标可能导致效果很差，因为前面的层具有较少的语义信息。因此，为了结合两者的优点，最近的一些工作提出了在多个层上检测目标，并通过组合来自不同层的特征去获取每个检测层的特征。代表方法有SharpMask，DSSD(Deconvolutional Single Shot Detector)，FPN(Feature Pyramid Network)，TDM(Top Down Modulation)，RON(Reverse connection with Objectness prior Network)，ZIP，STDN(Scale Transfer Detection Network)，RefineDet，StairNet，如表3和图11，图12所示。

od_survey-table3.png

od_survey-fig11.png

od_survey-fig12.png

如图11所示，这些方法都有高度相似的检测架构，具体来讲，在自下而上的传递之后，最终的高级语义特征由自上而下的网络回传，以便在横向处理后与来自中间层的自下而上的特征相结合。

（4）模型几何变换

DCNN对明显的几何变换有着天生的限制。一些方法用于增强CNN表示的健壮性，如STN。

对变形的目标建模

在深度学习之前，对于目标检测，DPMs(Deformable Part based Models)是非常成功的（10年的文章，引用有7000多次），它是用可变形配置，通过排列部分组件来表示目标。这种DPM建模方式对目标姿态，视角和非刚性变形的变换不太敏感，是因为目标的部分相应地定位，并且它们的局部外观是稳定的。所以现在一些深度学习的方法也借鉴DPM的思路。

4.2 上下文建模

在物理世界中，视觉目标出现在特定的环境中，并且通常与其他目标一起出现，这是有充分的心理学证据的，语境在人类识别系统中起着重要作用。

上下文大致分为三种类型：

1 语义上下文：在某些场景中找到目标但在其他场景中找不到目标的可能性

2 空间上下文：在某个位置找到一个目标的可能性

3 尺度上下文：目标相对于场景中的其他目标，其尺寸大小是有限的。

当前SOTA的方法（Faster RCNN，FCN）并没有显式利用上下文信息，而更多的是隐式的使用，因为它们学习了多级抽象的的层次表示。

od_survey-table4.png

Global context

考虑图像或场景级别的上下文，可以用作目标检测的线索（例如，卧室将预测有床的存在）

Local context

考虑目标关系中的局部环境，目标与其周围区域之间的相互作用。

od_survey-fig13.png

4.3 候选检测方法

一个好的候选检测应当有如下特征：

1 高召回，而且只需少量候选即可实现

2 候选应尽可能准确地匹配目标

3 高效率

在基于传统低级线索（如颜色，纹理，边缘和梯度）的候选目标方法中，Selective Search，MCG和EdgeBoxes更为流行。后来就成瓶颈了。最近的基于DCNN的候选目标方法可以分为两类：基于边界框的和基于对象分割的。

od_survey-table5.png

边界框候选方法

"anchor"这个词第一次出现是在Faster RCNN中。如图14所示，RPN通过在最后一个共享卷积层的特征图上滑动小网络来预测候选目标。在每个滑动窗口位置，它通过使用k个anchor同时预测k个候选，每个anchor位于图像上某个位置的中间，anchor与特定的比例和纵横比相关联。

od_survey-fig14.png

对象分割候选方法

分割候选比边界框候选富含更多信息，而且朝着对象实例分割更进一步。

DeepMask是其中的先驱，后续有更高级的SharpMask。

4.4 其他特殊问题

数据增强技术必不可少。图像分辨率对检测准确率有明显的影响。因此，在图像增强技术中，缩放被广泛使用，因为高分辨率的输入有助于小目标的检测。

类别不平衡问题的处理。

还有一些工作是关于NMS的。

od_survey-table6.png

5 数据集和性能评估

5.1 数据集

od_survey-table7.png

od_survey-fig15.png

od_survey-table8.png

5.2 评估标准

有三种指标评估检测效果：检测速度（Frames Per Second，FPS），精确率，召回率。最常用的指标是Average Precision(AP)，源于精确率和召回率。AP通常用于评估一类目标。mean AP(mAP)平均了所有目标类别，被作为最终的衡量指标。

测试图像的标准输出通常是。其中j为索引。b为预测的位置（Bounding Box, BB），c为预测的标签，p为置信度。如果一个预测满足如下两个条件，则记为True Positive(TP)：

1 预测的标签和真实标签一样

2 IOU(Intersection Over Union)高于某个阈值，阈值通常为0.5

否则，记为False Positive(FP)。

od_survey-fig16.png

基于TP和FP，可以计算准确率和召回率，之后就可以算AP了。

od_survey-table9.png

5.3 性能

见之前的表3，4，5，6，10

od_survey-fig17.png

从图17可以看出，backbone网络，检测框架，数据集规模是影响效果的3个最重要的因素。

然而，当前效果最好的MegDet在COCO（80类）上的mAP也只有73%（即使是0.5的IOU），可见目标检测比图像分类难得多。

6 总结

还有许多工作要做，我们将重点放在以下八个领域：

（1）开放世界的学习

目前的检测算法学习的数据是相当有限的，与人类视觉系统尚有距离。

（2）更好更有效的检测框架

（3）紧凑高效的深度CNN特征

（4）健壮的目标表示

当前对各种变化还是缺乏健壮性，因此很明显的限制了真实世界的应用。

（5）上下文推理

（6）对象实例分割

（7）弱监督或非监督学习

（8）3D目标检测

七 读后感

总算看完了，TMD真长。越看感觉不会的越多。现在的网络简直可以用海量来形容了，真是从特征工程走向网络工程了，各种魔改网络结构。不知道是作者本人写作习惯，还是综述就得这么写，感觉好多地方就是为引用而引用。好多文献都引用了两遍，比如Faster RCNN，比如FCN，另外通过这个知道了一般期刊比会议要晚2年出。

此外，感觉上下文建模那块有点不可取，这块主要是利用先验知识的，而不是视觉本身的特点，所以会相当受限。

八 补充

GitHub上的awesome-object-detection

Ross Girshick大神在CVPR2018上的slide，这个基本上算必读了。

知乎的这篇文章不错：基于深度学习的图像目标检测(上)，基于深度学习的图像目标检测(下)