深度学习在目标检测中的应用及其tensorflowAPI实践（一）_深度学习应该放在目标识别的哪里

近些年深度学习在图像领域大放光彩，这篇文章先对目标检测领域深度学习的发展做一个总结，再结合一个例子对tensorflow model zoo中的目标检测API使用做一个说明。
本文内容如下（会分几次发出来）：

• 目标检测的任务

• 深度学习在目标检测中的应用

  • RCNN
  • fast RCNN
  • faster RCNN
  • RFCN
  • yolo
  • yolo V2
  • SSD
• tensorflow目标检测API的使用

（一）目标检测的任务

为了说明什么是目标检测任务，我举两个例子来说明。
第一个VOC数据集，VOC2007数据集是一个训练目标检测的数据集，其图片中一共有二十个种类的物体，包括 ‘aeroplane’, ‘bicycle’, ‘bird’等一共20个种类的物体，我们的任务就是在图中把这些物体给找到，框出这些物体，并说明框住的物体是这二十个类别里的哪一类，就像下面这样：

对照上面的图片，可以看出目标检测主要是在做两件事，一是确定图片中有没有你要找的东西，二是这东西在哪。
下面还有另外一个例子，数据集在这http://www.robots.ox.ac.uk/~vgg/data/scenetext，是一份场景文字数据集，这个数据集一共有80万的图片，每张图片中都嵌入了文字，任务是找到图片中的文字，把文字框出来，如下：

对于这样的目标识别任务，训练数据集的输入是一张图片，加上图片中每个物体框的左上角坐标以及右下角坐标。

（二）深度学习在目标检测中的应用

深度学习在目标检测中的应用主要分为两个路子的方法：

• RCNN,fast RCNN，fasterRCNN，RFCN这四种都属于两步走的方法，先找到图片中有可能是物体的框子，然后再确定框子里是什么，并且精修框子的位置
• yolo，yolo V2,SSD都属于一步到位，通过一个神经网络一次性给出框子的坐标和框子里的东西是什么

相对来说faster RCNN和RFCN的精度是比较高的，但因为分两步走，所以检测的耗时偏长，yoloV2和SSD的精度较faster RCNN和RFCN略微偏低，但可以速度快，可以满足实时性要求。
关于几种方法的对比，可以参考谷歌最近出的一篇论文，里面详细比较了faster RCNN,RFCN和SSD的精度和性能，链接：https://arxiv.org/abs/1611.10012
下面我们一一说明每种方法的步骤和原理，这部分会假设读者已经了解像VGG,ResNet这样的卷积神经网络，不然就会云里雾里了。此外这是一份总结，会给出每个算法的框架和其中一些不易理解的点，但不会详细描述具体的网络细节，关于网络细节在网上已经有很多很好的博客可以参考。

先从把深度学习带入目标检测的开山之作RCNN系列开始。

RCNN，fast RCNN，faster RCNN这三种方法是一脉相承的，从名字就可以看出，速度越来越快，同时准确度也越来越高。
下面是一张RCNN的整体架构图：

VOC数据集中的图片是大小不一的，所以在RCNN中首先会把图片缩放到固定尺寸（227x227），接着通过selective search的方法找到图片中有可能是物体的2K个候选框（ROI），再把这些候选框依次送入CNN进行特征提取输出固定长度的向量，把这些向量输入SVM分类器，注意这里有20个SVM的二分类器，用来判断这个ROI是某一类还是背景，并且会对这个ROI的bbox进行回归，以精修位置（下面细说），最后通过非极大抑制去除重复框住物体的框，留下最准确的框。
RCNN的步骤十分清晰，每一步要做什么也很明白。
对selective search感兴趣的话可以查看相关论文，这里不做解释，因为这个方法在faster RCNN中就已经不用了。这里只要知道它输入是一张图片，输出是一堆这张图片中有可能是物体的候选框。
CNN提取特征部分是把每个ROI作为输入，经过一系列卷积+pooling后接一个全连接层把不同大小的ROI计算成一个固定长度的向量。
对每个ROI使用SVM进行分类时，这里SVM的训练数据和前面CNN的训练数据是不一样的，因为训练CNN需要大量数据，所以对候选框的选择设定了一个比较宽泛的范围，比如把和真实框（GT：ground truth）IOU大于0.3的都设定为正样本，而在训练SVM分类器时，由于传统算法对数据中的噪音比较敏感，所以把和GT的IOU大于0.5的作为正样本，设定了一个更严格的阈值。
至于为什么用SVM而不用softmax，作者认为这样准确率更高，但在后续的算法中都不再使用SVM了。
对于边界回归（bbox-rg），可以看下面这张图，图中P框（蓝色）为经过selective search输出的一个预测框，G为真实框（红色），$\hat {G}$为经过回归后更接近真实框的最终预测输出框（黑色）。

边界回归就是要把P框回归到$\hat {G}$框。要做到这样的变换，只需要两步：平移和缩放，操作如下：
记这三个框为：$P:(P_{x},P_{y},P_{w},P_{h})$,$G:(G_{x},G_{y},G_{w},G_{h})$,$\hat {G}:(\hat {G}_{x},\hat {G}_{y},\hat {G}_{w},\hat {G}_{h})$,这里的下标x，y表示目标框中点的坐标，w，h表示目标框的宽度和高度，对于G需要根据数据集