高精尖的物體檢測演示效果
物體檢測算法的演變分爲兩個階段：一個就是基於傳統特徵的解決方法，另外一個就是深度學習算法。在2013年之前主流檢測算法是傳統的特徵優化檢測方法。但是，在2013年之後，整個學術界和工業界都逐漸利用深度學習來做檢測。
基於深度學習的早期的物體檢測，大都使用滑動窗口的方式進行窗口提取，這種方式本質是窮舉法 R-CNN [4] 。後來提出Selective Search [2] 等區域窗口提取算法，對於給定的圖像，不需要再使用一個滑動窗口進行圖像掃描，而是採用某種方式“提取”出一些候選窗口，在獲得對待檢測目標可接受的召回率的前提下，候選窗口的數量可以控制在幾千個或者幾百個。
後來，又出現了SPP [5] ，其主要思想是去掉了原始圖像上的crop/warp等操作，換成了在卷積特徵上的空間金字塔池化層。那麼爲什麼要引入SPP層呢？其實主要原因是CNN的全連接層要求輸入圖片是大小一致的，而實際中的輸入圖片往往大小不一，如果直接縮放到同一尺寸，很可能有的物體會充滿整個圖片，而有的物體可能只能佔到圖片的一角。SPP對整圖提取固定維度的特徵，首先把圖片均分成4份，每份提取相同維度的特徵，再把圖片均分爲16份，以此類推。可以看出，無論圖片大小如何，提取出來的維度數據都是一致的，這樣就可以統一送至全連接層。
實際上，儘管R-CNN 和SPP在檢測方面有了較大的進步，但是其帶來的重複計算問題讓人頭疼，而 Fast R-CNN [6] 的出現正是爲了解決這些問題。 Fast R-CNN使用一個簡化的SPP層 —— RoI（Region of Interesting） Pooling層，其操作與SPP類似，同時它的訓練和測試是不再分多步，不再需要額外的硬盤來存儲中間層的特徵，梯度也能夠通過RoI Pooling層直接傳播。Fast R-CNN還使用SVD分解全連接層的參數矩陣，壓縮爲兩個規模小很多的全連接層。
Fast R-CNN使用Selective Search來進行區域提取，速度依然不夠快。Faster R-CNN則直接利用RPN （Region Proposal Networks）網絡來計算候選框。RPN以一張任意大小的圖片爲輸入，輸出一批矩形區域，每個區域對應一個目標分數和位置信息。從 R-CNN 到 Faster R-CNN [7] ，這是一個化零爲整的過程，其之所以能夠成功，一方面得益於CNN強大的非線性建模能力，能夠學習出契合各種不同子任務的特徵，另一方面也是因爲人們認識和思考檢測問題的角度在不斷髮生改變，打破舊有滑動窗口的框架，將檢測看成一個迴歸問題，不同任務之間的耦合。
除了R-CNN、Fast R-CNN 和 Faster R-CNN等兩階段檢測算法外，還有YOLO [8-9] 、SSD [10] 等一階段檢測算法——將物體檢測看作一個迴歸問題。
源碼地址：https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch