RCNN，SSD， YOLO的優缺點比較及反思

1. RCNN

rcnn對於原有的目標檢測算法提升50% 在VGG-16網絡模型下，voc2007數據集上準確率爲66%，但是速度很慢，內存佔用量大，主要原因爲候選框由速度較慢的selective search算法完成以及重複卷積網絡計算。

Fast-RCNN

1. 加入ROI池化 ：提出ROI pooling池化層結構，解決了候選框子圖必須將圖像裁剪縮放到相同尺寸大小的問題；fast R-CNN在全連接層之前插入了ROI pooling層，從而不需要對圖像進行裁剪，很好的解決了這個問題。
2. 多任務損失函數：將分類損失和邊框定位迴歸損失結合在一起統一訓練，最終輸出對應分類和邊框座標。
3. Fast-RCNN = RCNN + SPPNET - Crop

Faster-RCNN

1. 加入RPN網絡 ：region proposal networks RPN層用於生成候選框，並利用softmax判斷候選框是前景還是背景，從中選取前景候選框（因爲物體一般在前景中），並利用bounding box regression調整候選框的位置，從而得到特徵子圖，稱爲proposals。
2. 分類層：利用ROI層輸出的特徵圖proposal，判斷proposal的類別，同時再次對bounding box進行regression從而得到精確的形狀和位置。
3. 交替訓練： 交替訓練SPPNET和RPN網絡（一次通過RPN網絡一次通過SPPNET計算損失），測試集上先通過RPN進行分類再使用SPPNET進行最後的分類和迴歸
4. Anchor框： 在高級特徵上取k個Anchor框。anchor有[x,y,w,h]四個座標偏移量，x,y表示中心點座標，w和h表示寬度和高度。這樣，對於feature map上的每個點，就得到了k個大小形狀各不相同的選區region。
5. Anchor框的計算： 先使用softmax確定是前景還是背景進行篩選，再進行bounding box迴歸。
   
   假設紅色框的座標爲[x,y,w,h], 綠色框，也就是目標框的座標爲[Gx, Gy,Gw,Gh], 我們要建立一個變換，使得[x,y,w,h]能夠變爲[Gx, Gy,Gw,Gh]。最簡單的思路是，先做平移，使得中心點接近，然後進行縮放，使得w和h接近。如下
   
   學習dx dy dw dh這四個線性變換，可以用線性迴歸來建模。對於空間位置loss，我們一般採用均方差算法並可以使用自適應梯度下降算法Adam優化方法。
6. Faster-RCNN = Fast-RCNN + RPN - SS

Faster-RCNN 系列的反思

使用金字塔模型可以解決RCNN裁剪尺度變化的問題，借鑑了NLP中attention機制，對感興趣區域進行分類提高了候選框採集的速度。對小物體有更好對檢測效果。

2. YOLO

you only look once：one-stage的目標檢測算法，將物體的定位和分類在一起完成，在一個輸出層迴歸bounding box的位置和bounding box所屬類別。在一塊泰坦顯卡上，FPS達到了45，實現了實時（Realtime）檢測。

YOLO V1

1. 圖像分割 ：將圖像隱式的分割爲S X S個網格，當物體中心落在哪個網格里哪個網格就負責預測
2. 計算量小：張量大小隻有 S x S x （B*5 + C）。
3. 訓練集和測試集圖片大小不一致 訓練圖片大小爲224x224，測試圖片爲448x448

YOLO V2

1. 批標準化 ：加入BN層
2. 加入448 x 448圖片：在訓練過程中加入和測試圖像一樣大的448 x 448 size的圖像
3. 引用Anchor Boxes 提升了recall值但是小幅降低了mAP（更穩定）。

YOLO V3

• YOLO V3 網絡結構

1. 3個Anchor框 ：52x52 小 26 x26 中 13 x 13 大
2. 加入448 x 448圖片：在訓練過程中加入和測試圖像一樣大的448 x 448 size的圖像
3. 引用Anchor Boxes ：提升了recall值但是小幅降低了mAP（更穩定）。
4. 加入NMS篩選

YOLO系列的反思

    喪失部分精度，將圖片端到端的進行目標檢測，也引入了rcnn的Anchor框體系大幅提升mAP。因爲沒有進行區域採樣，所以對全局信息有較好的表現，但是在小範圍的信息上表現較差。

3. SSD

     Single Shot MultiBox Detector，平衡了YOLO和Faster RCNN的優缺點的模型。Faster R-CNN準確率mAP較高，漏檢率recall較低，但速度較慢。而yolo則相反，速度快，但準確率和漏檢率較低。

1. 密集採樣 ：在6個特徵圖上進行4-6個bounding box框採樣（論文上寫的是default boxes 但是是和其他論文裏對bounding box一樣）
2. 多尺寸feature map：每一個卷積層，都會輸出不同大小感受野的feature map。在這些不同尺度的feature map上，進行目標位置和類別的訓練和預測，從而達到多尺度檢測的目的，可以克服yolo對於寬高比不常見的物體，識別準確率較低的問題。而yolo中，只在最後一個卷積層上做目標位置和類別的訓練和預測。這是SSD相對於yolo能提高準確率的一個關鍵所在。
3. 多anchor框 ：每個anchor對應4-6個位置參數和C個類別參數.
4. 加入NMS篩選

SSD反思

     SSD相比SPPNET可以實現參數共享即在多個feature map上使用單一網絡。SSD的Anchor框大小是計算出來的，相比Faster RCNN的固定anchor框更加科學。下圖爲不同feature map上Anchor框的比率。 低級feature map使用小anchor框獲取細節信息，高級feature map上使用大anchor框獲取全局信息。

參考資料：
[1]: https://www.cnblogs.com/carsonzhu/p/9547973.html