首先，object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。
目前学术和工业界出现的目标检测算法分成3类：
1. 传统的目标检测算法：Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化；
2. 候选窗+深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如：
R-CNN（Selective Search + CNN + SVM）
SPP-net（ROI Pooling）
Fast R-CNN（Selective Search + CNN + ROI）
Faster R-CNN（RPN + CNN + ROI）
R-FCN
等系列方法；
3. 基于深度学习的回归方法：YOLO/SSD/DenseBox 等方法；以及最近出现的结合RNN算法的RRC detection；结合DPM的Deformable CNN等
今天我们了解一下第二类的发展历程
object detection技术的演进：
RCNN->SppNET->Fast-RCNN->Faster-RCNN
我们不妨从从图像识别的任务说起：
这里有一个图像任务：
既要把图中的物体识别出来，又要用方框框出它的位置。那么任务用专业的说法就是：图像识别+定位
图像识别我们用cnn去做一分类问题，无论用softmax，还是Logistic，都可以解决问题，但定位如何做呢？思路1：回归的方法做
看做回归问题，我们需要预测出（x,y,w,h）四个参数的值，从而得出方框的位置。
所以对于一个cnn我们可以保持前面不变，对cnn结尾处做出改进，做成classification + regression模式，
Regression那个部分用欧氏距离损失，并用使用SGD训练，并在预测阶段把2个头部拼上从而完成不同的功能。
而Regression的部分加在哪？两个处理方法：
• 加在最后一个卷积层后面（如VGG）
• 加在最后一个全连接层后面（如R-CNN）
但regression太难做了，regression的训练参数收敛的时间要长得多，应想方设法转换为classification问题。
所以上面的只是引子，取窗口图像的方法才是正题
还是刚才的classification + regression思路
• 咱们取不同的大小的“框”
• 让框出现在不同的位置，得出这个框的判定得分
• 取得分最高的那个框
但问题又来了，框有位置，大小之分，我们怎么叫计算机找到合适的呢？比如：
这就是学过的取不同的框，依次从左上角扫到右下角。非常粗暴的方法，就是对一张图片，用各种大小的框（遍历整张图片）将图片截取出来，输入到CNN，然后CNN会输出每个框的得分（classification）以及这个框图片对应的x,y,h,w（regression）
这个方法明显人工智障，所以我们做了优化：
1.把FC层该为conv层，提提速
但问题又来了，当图像有很多物体怎么办？
那任务就变成了：多物体识别+定位多个物体
看成分类问题是完全可以的，但如果还用人工智障的方法，估计运算就没尽头了。。。。
所以有人就提出一个好方法：候选框思路
找出可能含有物体的框（也就是候选框，比如选1000个候选框），这些框之间是可以互相重叠互相包含的，这样我们就可以避免暴力枚举的所有框了。
大牛们发明好多选定候选框的方法，比如EdgeBoxes和Selective Search。以下是各种选定候选框的方法的性能对比。
到了这一步，RCNN就横空出世了
步骤一：训练（或者下载）一个分类模型（比如AlexNet）
步骤二：对该模型做fine-tuning，将分类数从1000改为20，去掉最后一个全连接层
步骤三：特征提取
• 提取图像的所有候选框（选择性搜索）
• 对于每一个区域：修正区域大小以适合CNN的输入，做一次前向运算，将第五个池化层的输出（就是对候选框提取到的特征）存到硬盘
步骤四：训练一个SVM分类器（二分类）来判断这个候选框里物体的类别
每个类别对应一个SVM，判断是不是属于这个类别，是就是positive，反之nagative
比如下图，就是狗分类的SVM你输入几张图片后svm分类的反应:
步骤五：使用回归器精细修正候选框位置：对于每一个类，训练一个线性回归模型去判定这个框是否框得完美。如此循环往复，直到框的位置达到理想的范围
这个方法明显还是会有很大的运算量，对实时识别还是相当不利的，而后来的FAST-RCNN则是吸收了SPP Net的
空间金字塔池化（spp）的方法，做到了对这个问题的优化。（FPN是特征金子塔网络）
spp net究竟优势在于何处呢？
1.运用金子塔的思想，SPP layer的pooling中拥有自适应的filter，实现了数据的多尺度输入
一般CNN后接全连接层或者分类器，他们都需要固定的输入尺寸，因此不得不对输入数据进行crop或者warp，这些预处理会造成数据的丢失或几何的失真。SPP Net的第一个贡献就是将金字塔思想加入到CNN，实现了数据的多尺度输入。
如下图所示，在卷积层和全连接层之间加入了SPP layer。此时网络的输入可以是任意尺度的，在SPP layer中每一个pooling的filter会根据输入调整大小，而SPP的输出尺度始终是固定的。
2.只对原图提取一次卷积特征，不再是挨个把候选框一个一个的输入到下一层，一个一个去卷积
在R-CNN中，每个候选框先resize到统一大小，然后分别作为下一层CNN的输入去conv，这样是很低效的。
所以SPP Net根据这个缺点做了优化：只对原图进行一次conv得到整张图的feature map，然后找到每个候选框zaifeature map上的映射patch，将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层。这样就节省了大量的之前一个一个conv所花费的计算时间，比R-CNN有一百倍左右的提速。
Fast R-CNN问世
fast-rcnn不同在于：
1.它含有一个可以视为单层sppnet的网络层，叫做ROI Pooling，这个ROI Pooling做到跟sppnet一样，对每个不同的region都提取一个固定纬度的特征表示，在通过softmax进行类型识别。这是它吸取了spp net的第一个优点
2.在Fast-RCNN中，作者巧妙的把bbox regression放进了神经网络内部，与region分类和并成为了一个multi-task模型，实际实验也证明，这两个任务能够共享卷积特征，并相互促进。（其实就是做了spp net的第二个优势处）
也就是fast-rcnn利用共享卷积层，现在不是每一个候选框都当做输入进入CNN了，而是输入一张完整的图片，只卷积一次，每个框找自己的对应映射，输入映射patch在第五个卷积层再得到每个候选框的特征。
原来的方法：许多候选框（比如两千个）-->CNN-->得到每个候选框的特征-->分类+回归
现在的方法：一张完整图片-->CNN-->得到每张候选框的特征-->分类+回归
所以容易看见，Fast RCNN相对于RCNN的提速原因就在于：不过不像RCNN把每个候选区域给深度网络提特征，而是整张图提一次特征，再把候选框映射到conv5上，而SPP只需要计算一次特征，剩下的只需要在conv5层上操作就可以了。
FASTER-RCNN:
RPN简介：
• 在feature map上滑动窗口
• 建一个神经网络用于物体分类+框位置的回归
• 滑动窗口的位置提供了物体的大体位置信息
• 框的回归提供了框更精确的位置
一种网络，四个损失函数;
• RPN calssification(anchor good.bad)
• RPN regression(anchor->propoasal)
• Fast R-CNN classification(over classes)
• Fast R-CNN regression(proposal ->box)
也就是说，RPN预先已经帮它找了一遍预选框，所以它的速率得以进一步提升
速度对比：
总结各个算法的步骤：
RCNN
1. 在图像中确定约1000-2000个候选框 (使用选择性搜索)
2. 每个候选框内图像块缩放至相同大小，并输入到CNN内进行conv
3. 对候选框中提取出的特征，使用svm分类器判别是否属于一个特定类
4. 对于属于某一特征的候选框，用回归器进一步调整其位置
Fast RCNN
1. 在图像中确定约1000-2000个候选框 (使用选择性搜索)
2. 对整张图片输进CNN进行一次conv，得到feature map ---------（快在这一步）
3. 找到每个候选框在feature map上的映射patch，将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层
4. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
5. 对于属于某一特征的候选框，用回归器进一步调整其位置
Faster RCNN
1. 对整张图片输进CNN，得到feature map
2. 卷积特征输入到RPN，得到候选框的特征信息 ---------（更快在这一步）
3. 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
4. 对于属于某一特征的候选框，用回归器进一步调整其位置
总的来说，从R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN一路走来，基于深度学习目标检测的流程变得越来越精简，精度越来越高，速度也越来越快。可以说基于region proposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。
原文及图片均来自：https://blog.csdn.net/lishuiwang/article/details/78737044
感谢大佬的博客！
