【目标检测】Object Detection in 20 Years: A Survey

概述

这是一篇19年的综述，介绍了目标检测领域20年来各个方面的内容，非常全面！

细节

20年来的目标检测技术

目标检测的里程碑（传统检测器）：Viola Jones Detectors、HOG Detector、Deformable Part-based Model (DPM)

目标检测的里程碑（两阶段检测器：由粗到细）：RCNN、SPPNet、Fast RCNN、Faster RCNN、Feature Pyramid Networks（FPN）

目标检测的里程碑（单阶段检测器：一步到位）：YOLO系列、Single Shot MultiBox Detector (SSD）、RetinaNet（focal loss）

数据集：通用数据集如Pascal VOC（2007、2012；20个类别）、The ImageNet Large Scale Visual Recognition Challenge (ILSVRC；200个类别）、MS-COCO（很难）、Open Images Detection等，还有很多很多特定领域的数据集（文中给出了，但是太多了）。其中，数据量大小排名：voc

评价指标：Average Precision (AP，最常用，voc数据集中国引入的)：不同召回率下的平均检测精度，通常在特定类别下进行评估；MAP：所有类别的AP的平均值；IOU：用于检测目标定位的精度，预测框和gt box的IOU大于阈值，则说明检测成功；过去经常将前两个指标结合，如0.5IOU基础上的MAP作为最终的指标；现在 MS-COCO AP是0.5~0.95的IOU门限下的平均。
注：关于AP与mAP的介绍（理论、理论+例子）

多尺度检测技术的演进： 特征+滑窗（14年之前）：多个模型用于多尺度检测；object proposals （10-15年）：指的是一组可能包含任何对象的、与类别无关候选框，从而避免了滑窗带来的巨大开销；深度回归（13-16）：直接回归bbox的坐标，简单但是对于小目标处理不佳；多参考/多分辨率检测（15之后）：前者就是anchor机制，预先定义一组参考框，他们具有不同的尺寸和横纵比，根据这些参考，来预测bbox（常见的损失函数形式如下），后者就是网络的不同层检测不同尺度物体。

bbox回归的演进：从没有使用bbox回归到使用bbox回归作为后处理流程，再到15年Faster RCNN之后，将bbox回归作为模型的一部分，和检测器一起训练，也就是使用模型的特征预测进行bbox的回归（为了更具有鲁棒性的定位，常用损失函数如下）。

Context priming（上下文获取？）的演进：首先是局部信息有助于目标检测，并且基于CNN的结构，很容易调整感受野控制局部的大小；其次全局的上下文信息更加有助于目标检测，现在主要是两种方式实现，一种是大感受野，甚至是超过原图尺寸的感受野，另一种是全局池化操作，将上下文信息视为序列信息，用RNN来学习（貌似自注意力机制也可以？）；最后是上下文交互，就是探索元素之间的关系帮助目标检测能力的提高，如探索对象之间的关系，再如探索对象与背景之间的关系。

Non-maximum suppression (NMS) 的演进：NMS指的是模型最后可能会产生多个重叠的（相邻的）检测框，他们很有可能是对同一个物体的重复检测，NMS要做的就是去除掉冗余的检测，得到最终的检测结果。基于贪心的NMS（最经典最常用）：核心就是每次选择检测得分最高的bbox，并使用它去和其余的bbox做IOU计算，若是结果大于指定阈值，则删除较小的bbox，迭代上述策略，直到bbox遍历完毕。尽管存在一些问题，但是他仍然是最流行的NMS算法。bbox聚合：将重叠的bbox汇聚成一个bbox。自学习的NMS：就是将NMS作为一个bbox的过滤器，放到网络中，对原始检测结果再评分，让网络自己学习。（这个过滤器有点注意力机制的感觉了）

Hard Negative Mining（困难负样本挖掘）的演进：主要是为了解决样本的不平衡问题。目标检测的样本不平衡体现在，前景（目标）和背景数量的极度不平衡。Bootstrap：指的是从训练从一小部分的背景样本开始，在训练过程中迭代添加错误分类背景。最开始用于经典的目标检测算法中，但是随着深度学习技术的发展，主流的深度学习算法采用正负样本加权的方式处理样本不平衡问题，但是后来的研究又将Bootstrap重新引入。

目标检测的加速方法

核优化：非线性分类器如SVM分类效果好，但是计算复杂度不一定，可以采取核优化的方式加速。

级联检测：由粗到细的检测方案，前面的流程过滤掉一大部分候选框，后面的流程专注于重要的候选框。

模型剪枝：删除部分网络结构或者权重。近年来的方式是迭代循环和剪枝，就是每个训练阶段去除一部分不重要的权重，但是这种方式不适用于CNN的结构，一种改进就是直接去掉该权重对应的卷积核。
模型量化：减少激活或者权重的代码长度。主要工作集中在网络二值化，就是将网络的激活或权重量化为二进制变量（例如，0/1）来加速网络，从而将浮点运算转换为 AND、OR、NOT 逻辑操作。

网络蒸馏：就是老师-学生网络，使用提前训练好的老师网络来指导学生网络的训练。

轻量级网络设计： 分解卷积，两种思路，一种是将大卷积核从空间上分解为若干个小卷积，如VGG中提出来的，一个7*7的卷积可以使用两个3*3的卷积替代，再如将一个K*K的卷积使用K*1和1*K的卷积替代；另一种思路就是先用一个卷积核将特征图的维度降低，然后再用一个卷积核将特征图的维度恢复到需要的维度；分组卷积：就是从通道维度将原来的特征图分成若干个组，然后分别做卷积，将各个组的结果再从通道维度上堆起来就好了；深度可分离卷积：分组卷积的一个特例，组数是通道数，就是对每个通道单独做卷积，做完之后的结果concat起来，然后使用1x1卷积调整通道数；Bottle-neck设计;神经架构搜索NAS。

数值加速技术：积分图像加速、频域加速、矢量量化和降阶逼近

目标检测的最新进展

经典骨干网络：AlexNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、ResNeXt、MobileNet

特征融合：主要是两种方式，一种是bottom-top的，就是将浅层的特征送到深层，另一种就是top-bottom的，将深层的特征送到浅层，当然还有很多更为复杂的融合方式。另外，各个层的尺寸、通道数可能都不太相同，需要进行调整。另外，融合的方式主要有三种，包括逐元素相加，逐元素点积（可以对特征进行抑制或者强调，利于小目标检测）还有concat（可以整合不同区域的上下文信息，但是带来了更多的显存占用）。

学习具有大感受野的高分辨率特征： 感受野指的是对输出的单个像素有贡献的输入像素的空间范围，具有大感受野的网络能够捕获更大范围的上下文信息，较小的感受野能够更多的关注局部信息。特征分辨率指的是输入和特征图之间的下采样率，因此特征分辨率越小，越难检测到小物体（因为特征图小），直观的做法就是增大特征图，如去掉池化或者卷积保持尺寸不变，但是这又会带来感受野的下降，使得大物体检测能力的下降。一个合理的解决方案就是空洞卷积。

新的检测思路：目标检测而很多时候还是遵循一种特征图上滑动窗口的范式，一些新的思路比如，将目标检测问题作为子区域搜索的问题、关键点定位的问题

定位方面的提高技术： bbox细化：一个后处理环节，将模型预测得到的bbox输入一个bbox回归器中，得到一个更加正确的位置与大小；设计loss函数：现在都是将目标检测作为回归问题解决的，我们可以在回归的损失函数中添加IOU作为定位的损失函数

和语义分割网络一起训练： 优点：语义分割能够帮助类别识别、精确定位、能够作为上下文嵌入；怎么做： 可以将分割网络视为特征提取器，将提取到的特征作为额外特征集成到检测网络中；也可以将分割作为原来检测网络的一个分支，并使用多类别的损失函数训练，在推理的时候将这个分支去掉就好了，但是需要分割的标注，或者使用弱监督学习不增加额外的标注。

对旋转的检测更具有鲁棒性：传统的做法是数据增广或者为每个方向都训练一个模型，一些新的方法比如：旋转不变的损失函数、旋转矫正、Rotation RoI Pooling

对比例变化的检测更具有鲁棒性： 尺度自适应训练：一般的做法就是将图片resize之后投入网络，会带来一些问题，而Scale Normalization for Image Pyramids (SNIP)以及后续的一些研究可以解决这个问题；尺度自适应检测： 一般的做法就是一套模型配置（如anchor）适用于检测不同尺寸的图片，一些技术如adaptive zoom-in等尝试解决这个问题。

从零开始训练：作者认为是否需要将目标检测模型在imageNet上做预训练，需要考虑清楚，一个是损失函数、类别分布、图像比例等，另一个是域是否匹配，如检测的图片是RGB-D的或者3D的，这个就不适合了吧。

GAN：GAN与目标检测
Weakly Supervised Object Detection (WSOD)：仅仅使用图片级别的标注实现目标检测网络的训练，包括多实例学习和类激活映射技术等。

应用：行人检测、文本检测、人脸检测、交通指示灯和交通信号检测、遥感目标检测、

未来展望： 轻量级目标检测：能够在移动端或者其他边缘设备上流畅使用，并且对于小目标的检测能够得到较好的性能、网络结构搜索：、领域自适应：在与源数据分布不同的数据集上或者现实场景中，能够得到一个近似源数据集上的表现、弱监督检测：使得模型能够在图像级标注或者少量bbox标注下训练、大场景下的小目标检测、视频中的目标检测：传统的目标检测做的事图像的，缺少对视频帧之间的关系或者其他视频专有信息的考察、多信息融合的目标检测：使用多种模态或者多种数据源的数据进行目标检测模型的设计，如RGB-D 图像、3d 点云、LIDAR 等数据和图像数据如何融合等；或者是如何将当前数据源下训练的模型迁移到另一个数据源中。