怎样深度学习中的检测网络SSD/Faster R-CNN/YOLO
本篇文章给大家分享的是有关怎样深度学习中的检测网络SSD/Faster R-CNN/YOLO，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
何为检测？
深度学习中的检测任务（Detection）是指检测出图片中的物体位置，一般需要进行画框。比如下图中把人、羊，还有狗都框出来了，具体来说，网络需要输出框的坐标。
检测网络有哪些？
常用的检测可以大致可以分为两类：two stage和one stage. Two stage是说在检测网络分两步，第一步是框出物体，第二步是确定这个物体的分类。One stage就是根据提取的特征，直接使用回归网络得出其分类和检测框。其中，Faster R-CNN属于two stage，SSD和YOLO属于one stage.
One stage的好处是快，Two stage的好处是准确，在得到检测框后，再去分类这个任务要比直接回归网络得到分类好容易很多。
下图是Faster RCNN的结构：
主要分为四个步骤：
- 卷积层。原始图片先经过conv-relu-pooling的多层卷积神经网络，提取出特征图(feature map)。
- RPN层，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），并回归调整候选框的位置，获得框内的物体的feature map
- ROI层，它将大小尺寸不同物体的feature map池化成相同的大小，然后送入后续的全连接层进行物体分类
- 分类层。利用ROI层输出的特征图进行分类，同时再次对检测框bounding box进行回归从而得到更精确的形状和位置。
SSD和YOLO可以放在一起对比，因为都是属于one stage的网络，在获取feature map后，检测和分类一起在一起进行。SSD和YOLO的区别在于SSD能够进行多尺度特征提取，可以看到上面的SSD结构有6个箭头指向Detections，每一个箭头代表一个尺度的feature map，卷积层越往后越能看到全局的特征。YOLO则没有这方面的设计，只有一个特征输出到Detections网络中。
因为SSD网络的这种设计，检测精度比YOLO高，同时速度比Faster RCNN快，因此也是当前应用最广泛的检测网络之一。另外，在SSD原始论文中用到的是VGG骨架来提取特征，现在很多更好的特征提取网络，例如ResNet，mobilenet也在大量应用，进一步提高精度或者加快速度。
以上就是怎样深度学习中的检测网络SSD/Faster R-CNN/YOLO，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注行业资讯频道。
