目标检测算法经典论文综述(1)

提交日期:2014。

地址:blogs.com/zjutzz/p/8232740.html.

论文题目:注意力网络:聚集弱方向进行精确的物体检测。

提交日期:2015 ICCV

论文地址:/content/pdf/10.1007/978-3-319-10578-9 _ 23.pdf。

针对该问题:

比如RCNN会将输入的目标图像块处理成相同的大小，然后输入到CNN网络中，在处理的过程中会造成图像块信息的丢失。在实际场景中，很难统一输入网络的目标大小，网络最终的全连通层要求输入特征信息是统一维数的向量。作者试图统一从不同大小的CNN网络中提取的特征维数。

创新:

在作者提出的SPPnet中，通过使用特征金字塔池，可以将最终的卷积层输出统一到全连通层所需的大小。训练时，池化操作仍通过滑动窗口完成，池化核的宽度、高度和步长由当前层特征图的宽度和高度计算。原文中特征金字塔池的操作示意图如下。

参考博客:/content _ iccv _ 2065 438+05/papers/gidaris _ object _ detection _ via _ iccv _ 2065 438+05 _ paper.pdf。

针对该问题:

自从第三篇论文multibox algorithm提出CNN可以用于定位输入图像中的待检测目标后，本文作者尝试加入一些训练方法和技巧，以提高CNN网络的最终定位精度。

创新:

通过对网络的输入区域进行处理(通过数据增强，网络可以利用目标周围的上下文信息得到更准确的目标框架)，可以提高网络对目标回归框架的准确性。具体的处理方法包括:扩展输入目标的标签包围盒，在输入目标的标签中取一部分包围盒等。，并分别返回到不同的区域，使网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归盒的准确性。

参考博客:/content _ iccv _ 2065 438+05/papers/gir sick _ fast _ r-CNN _ iccv _ 2065 438+05 _ paper.pdf。

针对该问题:

RCNN中的CNN每输入一个图像块都要进行正向计算，显然非常耗时，那么如何优化这部分呢？

创新:

参考SPPNet(第六篇论文)，作者在网络中实现了ROIpooling，使得输入图像块不需要裁剪成统一的大小，从而避免了输入信息的丢失。其次，将整个图输入到网络中得到特征图，然后将原图上选择性搜索算法得到的目标帧映射到特征图中，避免重复特征提取。

参考博客:/content _ iccv _ 2015/papers/harmony _ deep proposal _ hunting _ objects _ iccv _ 2015 _ paper.pdf。

主要问题是:

本文作者观察到CNN可以提取优秀的论文来表征输入图像，并试图通过实验来讨论和分析CNN网络不同层产生的特征的作用和情况。

创新:

作者通过滑动窗口在不同的激活层上生成假设，结果表明最终的卷积层能够以较高的召回率找到感兴趣的对象，但由于特征图的粗糙性，定位性较差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。

论文题目:更快的r-CNN:用区域提议网络实现实时目标检测。

提交日期:2015 NIPS

文件地址:/p/31426458