RCNN，SSD， YOLO的优缺点比较及反思

1. RCNN

rcnn对于原有的目标检测算法提升50% 在VGG-16网络模型下，voc2007数据集上准确率为66%，但是速度很慢，内存占用量大，主要原因为候选框由速度较慢的selective search算法完成以及重复卷积网络计算。

Fast-RCNN

1. 加入ROI池化 ：提出ROI pooling池化层结构，解决了候选框子图必须将图像裁剪缩放到相同尺寸大小的问题；fast R-CNN在全连接层之前插入了ROI pooling层，从而不需要对图像进行裁剪，很好的解决了这个问题。
2. 多任务损失函数：将分类损失和边框定位回归损失结合在一起统一训练，最终输出对应分类和边框坐标。
3. Fast-RCNN = RCNN + SPPNET - Crop

Faster-RCNN

1. 加入RPN网络 ：region proposal networks RPN层用于生成候选框，并利用softmax判断候选框是前景还是背景，从中选取前景候选框（因为物体一般在前景中），并利用bounding box regression调整候选框的位置，从而得到特征子图，称为proposals。
2. 分类层：利用ROI层输出的特征图proposal，判断proposal的类别，同时再次对bounding box进行regression从而得到精确的形状和位置。
3. 交替训练： 交替训练SPPNET和RPN网络（一次通过RPN网络一次通过SPPNET计算损失），测试集上先通过RPN进行分类再使用SPPNET进行最后的分类和回归
4. Anchor框： 在高级特征上取k个Anchor框。anchor有[x,y,w,h]四个坐标偏移量，x,y表示中心点坐标，w和h表示宽度和高度。这样，对于feature map上的每个点，就得到了k个大小形状各不相同的选区region。
5. Anchor框的计算： 先使用softmax确定是前景还是背景进行筛选，再进行bounding box回归。
   
   假设红色框的坐标为[x,y,w,h], 绿色框，也就是目标框的坐标为[Gx, Gy,Gw,Gh], 我们要建立一个变换，使得[x,y,w,h]能够变为[Gx, Gy,Gw,Gh]。最简单的思路是，先做平移，使得中心点接近，然后进行缩放，使得w和h接近。如下
   
   学习dx dy dw dh这四个线性变换，可以用线性回归来建模。对于空间位置loss，我们一般采用均方差算法并可以使用自适应梯度下降算法Adam优化方法。
6. Faster-RCNN = Fast-RCNN + RPN - SS

Faster-RCNN 系列的反思

使用金字塔模型可以解决RCNN裁剪尺度变化的问题，借鉴了NLP中attention机制，对感兴趣区域进行分类提高了候选框采集的速度。对小物体有更好对检测效果。

2. YOLO

you only look once：one-stage的目标检测算法，将物体的定位和分类在一起完成，在一个输出层回归bounding box的位置和bounding box所属类别。在一块泰坦显卡上，FPS达到了45，实现了实时（Realtime）检测。

YOLO V1

1. 图像分割 ：将图像隐式的分割为S X S个网格，当物体中心落在哪个网格里哪个网格就负责预测
2. 计算量小：张量大小只有 S x S x （B*5 + C）。
3. 训练集和测试集图片大小不一致 训练图片大小为224x224，测试图片为448x448

YOLO V2

1. 批标准化 ：加入BN层
2. 加入448 x 448图片：在训练过程中加入和测试图像一样大的448 x 448 size的图像
3. 引用Anchor Boxes 提升了recall值但是小幅降低了mAP（更稳定）。

YOLO V3

• YOLO V3 网络结构

1. 3个Anchor框 ：52x52 小 26 x26 中 13 x 13 大
2. 加入448 x 448图片：在训练过程中加入和测试图像一样大的448 x 448 size的图像
3. 引用Anchor Boxes ：提升了recall值但是小幅降低了mAP（更稳定）。
4. 加入NMS筛选

YOLO系列的反思

    丧失部分精度，将图片端到端的进行目标检测，也引入了rcnn的Anchor框体系大幅提升mAP。因为没有进行区域采样，所以对全局信息有较好的表现，但是在小范围的信息上表现较差。

3. SSD

     Single Shot MultiBox Detector，平衡了YOLO和Faster RCNN的优缺点的模型。Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。而yolo则相反，速度快，但准确率和漏检率较低。

1. 密集采样 ：在6个特征图上进行4-6个bounding box框采样（论文上写的是default boxes 但是是和其他论文里对bounding box一样）
2. 多尺寸feature map：每一个卷积层，都会输出不同大小感受野的feature map。在这些不同尺度的feature map上，进行目标位置和类别的训练和预测，从而达到多尺度检测的目的，可以克服yolo对于宽高比不常见的物体，识别准确率较低的问题。而yolo中，只在最后一个卷积层上做目标位置和类别的训练和预测。这是SSD相对于yolo能提高准确率的一个关键所在。
3. 多anchor框 ：每个anchor对应4-6个位置参数和C个类别参数.
4. 加入NMS筛选

SSD反思

     SSD相比SPPNET可以实现参数共享即在多个feature map上使用单一网络。SSD的Anchor框大小是计算出来的，相比Faster RCNN的固定anchor框更加科学。下图为不同feature map上Anchor框的比率。 低级feature map使用小anchor框获取细节信息，高级feature map上使用大anchor框获取全局信息。

参考资料：
[1]: https://www.cnblogs.com/carsonzhu/p/9547973.html