Old Xie?，CS2EE2CS Naiyan Wang?等?85?人贊同 目前object detection的工作可以粗略的分為兩類：
1：使用region proposal的，目前是主流，比如RCNN、SPP-Net、Fast-RCNN、Faster-RCNN以及MSRA最近的工作R-FCN。
2：不使用region proposal的，YOLO，SSD。

從我這個渣渣的視野來看，這些工作都體現的一個趨勢：如何讓不同ROI之間盡量多的共享計算量，并充分利用CNN得到的特征，使得整個detection的速度變快。

具體說來，我們先回憶一下基于region proposal的方法的大致流程是什么樣的：
1. 從待檢測的圖片中，提取出N個ROI，這里N遠大于圖片中真實object的個數。具體的方法有selective search、edge box以及最近流行起來的RPN。
2. 根據1中檢測到的ROI，上CNN對圖像進行feature extraction。
3. 對2中得到的feature進行分類，比如對于PSACAL VOC數據，就是一個21分類的問題（20個object class+background）。
4. boudningbox regression。

然后我們回到之前說的讓ROI之間盡量多的共享計算量的問題。

RCNN對于每個ROI，都跑一遍CNN，即使這些ROI之間是有overlap的，顯然有部分計算是重復的，所以SPP-net和fast rcnn就在這方面做了文章，具體做法是先用CNN抽取整張圖的特征，然后利用ROI pooling抽取對應ROI的特征，使得不同ROI共享特征提取的計算量。結果就是原來我處理一張圖像需要前向2000次CNN，現在只要前向一次就好了，極大的提升了計算速度。fast rcnn還通過multi-task loss實現了一個end to end 的系統，這里不是我們的重點。

fast-rcnn提出來之后，detection的性能瓶頸變成了計算region proposal。CPU實現的selective search處理一張圖需要2秒鐘，遠大于GPU上CNN特征抽取的時間。Faster RCNN就是要解決這個問題，他的出發點是這樣的：既然用CNN進行feature extraction這一步已經無法避免，那么我們為什么不更充分地利用得到的feature？具體來說，我們是不是可以直接用CNN得到的feature來進行region proposal，答案是肯定的。Faster RCNN將CNN得到的feature輸入到一個兩層網絡（RPN），網絡的輸出就是region proposal。這樣一來，region proposal的額外開銷就只有一個兩層網絡。實驗證明這樣不僅速度變快，而且proposal的質量也更高了。

到目前為止，上面我們說的4個步驟中，第1步和第2步都可以通過前向一遍CNN來得到，所以前倆步都不再是速度的瓶頸。然后我們考慮第3步，假設我們用faster rcnn的RPN得到了300個region proposal，在預測的過程中，我們需要對300個region proposal去做分類，即我們要處理300個多分類問題，如果我們用one vs rest來實現多分類，每遍就是21個二分類線性svm（也可以用一個softmax-log loss的線性分類器，但是計算量和21個二分類svm差不多），這樣的話每次預測就要跑6300個二分類器，即使是線性分類器，這個時間仍然是很大的，所以就有了R-FCN這個工作。具體來說，是先利用FCN進行類似semantic segmentation的計算，然后利用ROI對相應的區域進行average pooling，得到整個ROI關于21個類別的置信度。簡單的說就是把分類這個過程也融合到網絡的前向計算過程中，由于這個過程對于不同的ROI是共享的，所以比單獨跑分類器要快好多。文章里還有一個position-sensitive的idea，也很有趣，不過感覺給我一種”這也能行“的感覺，應該是我少見多怪，理解不了大神的世界。

個人感覺object detection是一個比較考驗insight以及”讓一個idea真正能work的能力“的方向，不像semantic segmentation，后者現在的提升很多靠CRF，有陷入”圖模型加圈“（傳說中水論文三大法寶之一）的趨勢，對數學要求比較高。

以上只是個人讀paper的心得，可能作者們當時并不是這么想的，如有沖突，純屬我瞎bb。。。 編輯于 昨天 19:47?3 條評論?感謝? 分享 ?收藏???沒有幫助???舉報???作者保留權利 6贊同 反對，不會顯示你的姓名 文刀叉點?，知之為不知 6?人贊同 但凡能和分類哪怕扯上一點點關系的，淪陷深度學習只是早晚的事情

話說分割其實本質上也是個分類問題（0-1 mask），so 你懂的

別糾結了，一切都是老黃的陰謀，終結者以后一定是NV給造出來的 發布于 2016-06-06?添加評論?感謝? 分享 ?收藏???沒有幫助???舉報???作者保留權利 18贊同 反對，不會顯示你的姓名 機智的大群主?，硬創公開課，用技術洞見未來 18?人贊同 大群主非常贊同樓上?@文刀叉點?回答的：但凡能和分類哪怕扯上一點點關系的，淪陷深度學習只是早晚的事情。

其實關注CVPR2016就會發現：

本次CVPR 2016上，深度學習幾乎成了如今計算機視覺研究的標配，人臉識別、圖像識別、視頻識別、行人檢測、大規模場景識別的相關論文里都用到了深度學習的方法。

這里我想借用下我們嘉賓Sensetime CTO 曹旭東老師的一些解讀：

傳統方法使用滑動窗口的框架，把一張圖分解成幾百萬個不同位置不同尺度的子窗口，針對每一個窗口使用分類器判斷是否包含目標物體。傳統方法針對不同的類別的物體，一般會設計不同的特征和分類算法，比如人臉檢測的經典算法是Harr特征+Adaboosting分類器；行人檢測的經典算法是HOG(histogram of gradients) + Support Vector Machine；一般性物體的檢測的話是HOG的特征加上DPM(deformable part model)的算法。

基于深度學習的物體檢測的經典算法是RCNN系列： RCNN，fast RCNN (Ross Girshick)，faster RCNN (少卿、凱明、孫劍、Ross)。這三個工作的核心思想是分別是：使用更好的CNN模型判斷候選區域的類別；復用預計算的sharing feature map加快模型訓練和物體檢測的速度；進一步使用sharing feature map大幅提高計算候選區域的速度。其實基于深度學習的物體檢測也可以看成對海量滑動窗口分類，只是用全卷積的方式。

RCNN系列算法還是將物體檢測分為兩個步驟。現在還有一些工作是端到端(end-to-end)的物體檢測，比如說YOLO(You Only Look Once: Unified, Real-Time Object Detection)和SSD(SSD: Single Shot MultiBox Detector)這樣的算法。這兩個算法號稱和faster RCNN精度相似但速度更快。物體檢測正負樣本極端非均衡，two-stage cascade可以更好的應對非均衡。端到端學習是否可以超越faster RCNN還需要更多研究實驗。

-----------------------------------我是機智的分割線-------------------------------------
相信題主應該能從這當中把握一些目標檢測的發展方向，當然如果想有更多技術交流也歡迎參與我們的技術交流活動

搜索公眾號ycopen就能找到大群主我啦，掃描二維碼（二維碼在這里）查看喔~

編輯于 昨天 15:41?添加評論?感謝? 分享 ?收藏???沒有幫助???舉報???禁止轉載 0贊同 反對，不會顯示你的姓名 潘博陽?，人丑還不多讀書 從rcnn，frcnn，faster-rcnn可以管中窺豹 發布于 2015-08-09?1 條評論?感謝? 分享 ?收藏???沒有幫助???舉報???作者保留權利 2贊同 反對，不會顯示你的姓名 劉羽中?，茍且的活著。 2?人贊同 DL和detection proposal 發布于 2015-08-08?2 條評論?感謝? 分享 ?收藏???沒有幫助???舉報???作者保留權利 0贊同 反對，不會顯示你的姓名 路人?，計算機視覺碩士研究生 我覺得分哪種情況了，運動目標檢測可以基于背景建模也可以基于目標建模，背景建模這個技術不是DL重災區啊 這是很多應用的第一步。 發布于 2016-04-19?1 條評論?感謝? 分享 ?收藏???沒有幫助???舉報???作者保留權利 1贊同 反對，不會顯示你的姓名 匿名用戶 1?人贊同 DL重災區。 發布于 2015-08-09?添加評論?感謝? 分享 ?收藏???沒有幫助???舉報???作者保留權利 0贊同 反對，不會顯示你的姓名 匿名用戶 熱烈歡迎更多DL相關工作，以及歡迎相互打臉！ 發布于 13:24?添加評論?感謝? 分享 ?收藏???沒有幫助???舉報???作者保留權利 0贊同 反對，不會顯示你的姓名 劉乾坤?，計算機視覺與機器學習 DL現在是主流，可以看一下15年CVPR文章中包含DL的文章數量，占70%
from:?https://www.zhihu.com/question/34223049#answer-39465125

總結

以上是生活随笔為你收集整理的从近两年的CVPR会议来看，目标检测的研究方向是怎么样的？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。