opencv_deeplearning學習總結1：幾種目標檢測方法的區別
一、總概
學習opencv和深度學習也有一段時間了，也做了不少筆記，亂七八糟的，很多已經忘了，趁有空，趕緊寫寫部落格，分享給更多的喜歡計算機視覺的同學入門。最主要的是自己回顧一下所學。以下的都是自己的一些理解筆記，未免會出錯，有不對的地方，望幫忙指正，一起學習討論。
二、幾種目標檢測方法的總結
（1）傳統的基於滑動視窗的目標檢測：
使用滑動視窗，對圖片進行多次掃描，找出置信度高的區域。也稱級別檢測，逐步找出置信度最高的區域。如下圖（圖片來自此部落格）：
顯然，這種做法需要極大的計算消耗。
（2）早期的深度學習R-CNN家族：
有些專業名稱，不知道怎麼翻譯。上點筆記圖片，字寫得不好，看不清楚的請往下看，或留言評論。
R-CNN也是使用bounding boxes，只是不同於傳統的方法，他是先進行了Selective Search ， 使用不同大小的滑動視窗，先試圖把鄰近的畫素組合起來，形成最有可能的框，這樣就比傳統的方法減少bounding boxes的數量，從而提高速度和準確度。
檢測的步驟是:
1）通過Selective Search,提取一些認為是目標的區域。
（目前最快最好的Faster R-CNN使用一個網路Region Proposal Network (RPN)來提取區域。）
2）將區域輸入一個已經訓練好的AlexNet模型，使用SVM來判斷這個區域是什麼類。
3）一旦分好了類，只需要用線性迴歸就可得到區域座標。
理解不是很透徹，強烈建議去讀原作者的論文，目前RCNN家族，最好最快的是Faster R-CNN。
（3）目前效果很好的YOLO家族
先上我的英文筆記，看圖
YOLO完全和上面的方法不同，是個極大的創新。YOLO actually looks at the image just once but in a clever way.
- YOLO將整張圖片劃分為13*13個單元網格，每一個單元網格預測5個bounding box，每個bounding box包圍著一個目標，還告訴我們每個目標的置信度（認為該預測目標和真實目標有多接近的數值），置信度分數和預測的目標組成最終的預測結果。
- 由於13*13個網格，每個網格有5個預測，所以共有13*13*5 = 845個 boxes.
- 但並不是每個目標都有很高的預測值，我們會設定一個閾值，把低置信度的預測去掉，這個技術叫 non-maximum suppression.
- 最後每個網格以125個channels結束，為什麼是125？因為每個單元格預測5個類，每個類包含：x , y , width ， height ，confidence score , 20個 probability distribution(20個類，每個類的可能概率) ，所以5*25=125.
總結：儘管有845個離散的預測，但他們都是同時預測，網路模型僅僅跑一次。況且，隨著yolo家族的不斷壯大發展，現在速度已經超過SSD(另一個目標檢測模型，速度快聞名) ，而且準確度更高。所以YOLO家族應該是目前最好的目標檢測演算法。
強烈建議去讀論文
三、總結
本文就簡單總結一下幾種常見的目標檢測模型。就效果來看，YOLO應該是最好用的，YOLO已經推出YOLO9000 , 檢測型別已經達到9000種，如果配上好一點的GPU，達到實時流暢並且準確應該沒問題。YOLO模型也是我實戰最多的，可以留意我其他部落格，會相繼寫YOLOv3的使用和自己訓練，其他的Faster R-CNN還沒試過，不敢輕易評論。最後，上面的都是自己的一些簡單總結，難免出錯，望指正，感謝觀看。