深度學習中的檢測網絡：SSD/Faster R-CNN/YOLO
- 2020 年 4 月 8 日
- 筆記
何為檢測？
深度學習中的檢測任務（Detection）是指檢測出圖片中的物體位置，一般需要進行畫框。比如下圖中把人、羊，還有狗都框出來了，具體來說，網絡需要輸出框的坐標。
檢測網絡有哪些？
常用的檢測可以大致可以分為兩類：two stage和one stage. Two stage是說在檢測網絡分兩步，第一步是框出物體，第二步是確定這個物體的分類。One stage就是根據提取的特徵，直接使用回歸網絡得出其分類和檢測框。其中，Faster R-CNN屬於two stage，SSD和YOLO屬於one stage.
One stage的好處是快，Two stage的好處是準確，在得到檢測框後，再去分類這個任務要比直接回歸網絡得到分類好容易很多。
下圖是Faster RCNN的結構：
主要分為四個步驟：
– 卷積層。原始圖片先經過conv-relu-pooling的多層卷積神經網絡，提取出特徵圖(feature map)。
– RPN層，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（因為物體一般在前景中），並回歸調整候選框的位置，獲得框內的物體的feature map
– ROI層，它將大小尺寸不同物體的feature map池化成相同的大小，然後送入後續的全連接層進行物體分類
– 分類層。利用ROI層輸出的特徵圖進行分類，同時再次對檢測框bounding box進行回歸從而得到更精確的形狀和位置。
SSD和YOLO可以放在一起對比，因為都是屬於one stage的網絡，在獲取feature map後，檢測和分類一起在一起進行。SSD和YOLO的區別在於SSD能夠進行多尺度特徵提取，可以看到上面的SSD結構有6個箭頭指向Detections，每一個箭頭代表一個尺度的feature map，卷積層越往後越能看到全局的特徵。YOLO則沒有這方面的設計，只有一個特徵輸出到Detections網絡中。
因為SSD網絡的這種設計，檢測精度比YOLO高，同時速度比Faster RCNN快，因此也是當前應用最廣泛的檢測網絡之一。另外，在SSD原始論文中用到的是VGG骨架來提取特徵，現在很多更好的特徵提取網絡，例如ResNet，mobilenet也在大量應用，進一步提高精度或者加快速度。
總結
檢測網絡有很多，各有優劣，綜合來說，SSD是個折中的選擇，如果時間有限，建議試試SSD網絡。
