這篇文章的內容總結翻譯自 A Step-by-Step Introduction to the Basic Object Detection Algorithms (Part 1) ，文中有加入自己的理解。

當你想要在雜亂的桌子上面尋找鑰匙的時候，是不是有想過要是有種東西可以直接告訴我鑰匙放在哪裡就好了？如果一個演算法可以在幾毫秒之內就幫我們找到鑰匙，那就好了。

目標檢測演算法就像這樣的一個「超人」。目標檢測被運用到了越來越多的場景上，從日夜不停工作的監視器到智慧城市的實時車輛檢測。這就是深度學習的強大之處。

在這篇文章裡面，我們會看看各種可以用來做目標檢測的演算法。我們從 RCNN 系列開始，從 RCNN、Fast RCNN 到 Faster RCNN。（在隨後的文章裡面可能會講到 YOLO、SSD 之類的）

原文作者附上了一篇關於「目標檢測」的文章，感興趣的朋友可以前往看看，現在就讓我們開始來看看 RCNN 的「家族史」吧！

1. 解決目標檢測任務的簡單方式

下面的圖展示了目標檢測任務是怎麼工作的。在圖中的每一個物體，從人到風箏都會被定位和識別，並且會給我們一個置信度，即計算機認為的所識別到的物體的可能性。

先來看看被使用最廣的最簡單的目標檢測深度學習演算法 —— 卷積神經網路，CNNs。

下圖告訴了我們 CNN 在內部是如何工作的。

我們給網路一張圖片，然後它會被傳送到許多卷積層和池化層上。最後給我們一個所識別到的物體的類別。

每輸入一張圖片，我們就會得到一個相對應的類別作為輸出。那麼我們可以用這樣的方法來檢測一張圖片中的多個目標嗎？當然可以啦。來看看怎麼使用 CNN 解決一個普通的目標檢測問題：

1. 首先，把一張圖片作為輸入：

2. 然後把圖片分成幾個區域：

3. 這樣一來就可以把每個區域都當作是一個獨立的圖片；
4. 然後你知道的，就是這些獨立的區域放進 CNN 裡面，對它們進行分類；
5. 當所有的區域都分類好了，我們就可以把它們合起來，得到帶有檢測目標的原始圖片：

這樣做怎麼看都是有問題的是吧，你看上圖的框實在太大了，我們看不出它框出了什麼出來。直接把圖片分成幾個簡單的區域太粗暴了。我們知道圖片中的物體大小和位置都是不一樣的，直接分肯定會出現框不全的情況。

物體的大小位置和形狀都是多變的。如果我們想要框更加適合，就要適當地增加框的數量，也就是把圖片分成更多更小的部分，而不是 4 個大區域。但是這樣會導致計算時間成倍地增加。為此我們需要一個更好的方法，那就是基於區域的 CNN（Region-based CNN, RCNN）。基於區域就是使用生成區域建議的方式來選擇區域。區域建議又是什麼？再接下來看看吧。

2. 理解基於區域的卷積神經網路（RCNN）

RCNN 演算法可以為一張圖片提供較少的選框，然後檢查這些框中有沒有包含物體。選框的方式是根據選擇性搜尋（selective search）來進行的，這些選框就叫做區域，也叫做 regions.

先來看看什麼叫做選擇性搜尋，以及它是如何去識別不同的區域的。基本上一個物體中會包含四種資訊：不同的尺度、顏色、紋理和邊界。選擇性搜尋的方法就是識別這些模式，然後提出不同的區域。來看看它的過程：

首先當然就是先輸入圖片了：

然後，先生成最初的子分割，看起來像下面這樣子。因為一開始分割得很細，整張圖片感覺面目全非了，很複雜，那接下來的任務就是化小為大了。

把小塊區域合併成大塊的區域依據的方法就是，按照顏色相似度、文理相似度、大小相似度和形狀相容性來完成的。其實就是上面說的物體的四個特性：

最後生成的區域就是物體在圖片中的定位了，也就是所說的感興趣區域（Region of Interest）.

那下面來看看一個 RCNN 檢測時的步驟有哪些：

1. 首先準備一個預訓練的卷積神經網路；

2. 然後再重新訓練這個模型，但是隻訓練最後的層，也就是微調（fine tune），訓練的類別就是我們想要檢測的類別；

3. 第三步，得到每一張圖片的感興趣區域，把所有的區域都改變成同樣的大小，可以輸入到 CNN 中；

4. 得到區域後，訓練 SVM 來分類物體和背景（在目標檢測當中需要對一個 ROI 判斷其屬於目標還是背景）。對於每一個類別，我們都會訓練一個二分類 SVM；

5. 最後，為了使得生成的框更加精確，會訓練一個線性迴歸模型讓生成的 Bounding Boxes 更加貼近物體。

來看看圖片的過程，更加有助於理解！

這就是第一步，輸入圖片：

使用一些區域建議方法來得到 ROI，選擇性搜尋是區域建議方法的其中一個：

然後這些區域就會被 reshape 成 CNN 輸入的大小：

CNN 就提取每一個區域的特徵值，然後 SVM 就來對這些區域進行分類：

最後，邊界框迴歸（Bounding box） 就預測生成的框：

RCNN 就這樣來檢測目標的。

3. RCNN 的不足

到目標為止講的 RCNN 確實可以檢測目標了，但是卻存在很大的問題：

1. 首先它對於每一張圖片都會生成 2000 個 ROI；

2. 對每一張圖片都進行一次區域建議，如果有 N 張圖片，那就是 N*2000 個了；

3. 整個過程用了三個模型：用於特徵提取的 CNN、識別物體的線性 SVM 和調整邊界框的迴歸模型。

這些過程使得 RCNN 變得非常的慢，預測一張圖片就花去了 40 到 50 秒的時間，這個時間確實等不起，如果遇到更加大的資料量時，網路就根本處理不來，所以一開始的 RCNN 是很慢的，但是在接下來的 Fast RCNN 和 Faster RCNN 裡面，改進了很多，我會在下一篇文章為大家講講這兩個表現更好的網路。

更多精彩：
1. 目標檢測技術演進：Fast R-CNN、Faster R-CNN
2. 膠囊網路的簡單介紹
3. Apple 新產品中的機器學習演算法

如果你想了解更多關於人工智慧的資訊，歡迎掃碼關注微信公眾號以及知乎專欄 「譯智社」，我們為大家提供優質的人工智慧文章、國外優質部落格和論文等資訊喲！