本文转自：http://www.cosmosshadow.com/ml/%E5%BA%94%E7%94%A8/2015/12/07/%E7%89%A9%E4%BD%93%E6%A3%80%E6%B5%8B.html
物体检测
RCNN
早期，使用窗口扫描进行物体识别，计算量大。 RCNN去掉窗口扫描，用聚类方式，对图像进行分割分组，得到多个侯选框的层次组。
- 原始图片通过Selective Search提取候选框，约有2k个
- 侯选框缩放成固定大小
- 经过CNN
- 经两个全连接后，分类
Fast RCNN
RCNN中有CNN重复计算，Fast RCNN则去掉重复计算，并微调选框位置。
- 整图经过CNN，得到特征图
- 提取域候选框
- 把候选框投影到特征图上，Pooling采样成固定大小
- 经两个全连接后，分类与微调选框位置
Faster RCNN
提取候选框运行在CPU上，耗时2s，效率低下。 Faster RCNN使用CNN来预测候选框。
- 整图经过CNN，得到特征图
- 经过核为 3×3×2563×3×256 的卷积，每个点上预测k个anchor box是否是物体，并微调anchor box的位置
- 提取出物体框后，采用Fast RCNN同样的方式，进行分类
- 选框与分类共用一个CNN网络
anchor box的设置应比较好的覆盖到不同大小区域，如下图:
一张1000×6001000×600的图片，大概可以得到20k个anchor box(60×40×960×40×9)。
R-FCN
RCNN系列(RCNN、Fast RCNN、Faster RCNN)中，网络由两个子CNN构成。在图片分类中，只需一个CNN，效率非常高。所以物体检测是不是也可以只用一个CNN？ 图片分类需要兼容形变，而物体检测需要利用形变，如何平衡？ R-FCN利用在CNN的最后进行位置相关的特征pooling来解决以上两个问题。
经普通CNN后，做有 k2(C+1)k2(C+1) 个 channel 的卷积，生成位置相关的特征(position-sensitive score maps)。 CC 表示分类数，加 11 表示背景，kk 表示后续要pooling 的大小，所以生成 k2k2 倍的channel，以应对后面的空间pooling。
普通CNN后，还有一个RPN(Region Proposal Network)，生成候选框。
假设一个候选框大小为 w×hw×h，将它投影在位置相关的特征上，并采用average-pooling的方式生成一个 k×k×k2(C+1)k×k×k2(C+1) 的块(与Fast RCNN一样)，再采用空间相关的pooling(k×kk×k平面上每一个点取channel上对应的部分数据)，生成 k×k×(C+1)k×k×(C+1)的块，最后再做average-pooling生成 C+1C+1 的块，最后做softmax生成分类概率。 类似的，RPN也可以采用空间pooling的结构，生成一个channel为 4k24k2的特征层。 空间pooling的具体操作可以参考下面。
训练与SSD相似，正负点取一个常数，如128。除去正点，剩下的所有使用概率最高的负点。
YOLO
Faster RCNN需要对20k个anchor box进行判断是否是物体，然后再进行物体识别，分成了两步。 YOLO则把物体框的选择与识别进行了结合，一步输出，即变成”You Only Look Once”。
- 把原始图片缩放成448×448448×448大小
- 运行单个CNN
- 计算物体中心是否落入单元格、物体的位置、物体的类别
模型如下:
- 把缩放成统一大小的图片分割成S×SS×S的单元格
- 每个单元格输出B个矩形框(冗余设计)，包含框的位置信息(x, y, w, h)与物体概率P(Object)P(Object)
- 每个单元格再输出C个类别的条件概率P(Class∣Object)P(Class∣Object)
- 最终输出层应有S×S×(B∗5+C)S×S×(B∗5+C)个单元
- x, y 是每个单元格的相对位置
- w, h 是整图的相对大小
分类的概率
P(Class)=P(Class∣Object)⋅P(Object)P(Class)=P(Class∣Object)⋅P(Object)
在原论文中，S = 7，B = 2，C = 20，所以输出的单元数为7×7×307×7×30。
代价函数:
J=λcoord∑i=0S2∑j=0B1objij(xi−x^i)2+(yi−y^i)2+λcoord∑i=0S2∑j=0B1objij(wi−−√−w^i−−√)2+(hi−−√−h^i−−√)2+∑i=0S2∑j=0B1objij(Ci−C^i)2+λnoobj∑i=0