本文是目标检测方向的第一篇，目标检测是当前个人最熟悉的任务之一，这是很久之前在知乎专栏写的文章，曾经被多个公众号转载，但是因为一些客观原因，无意中注销了知乎。在分享目标检测相关的总结之前，先介绍一下目标检测任务很有必要，而了解一个任务最简单的方式就是通过综述，所以重新展示一下该篇。
这是一篇综述的阅读笔记：《Object Detection in 20 Years: A Survey》，主要介绍了目标检测的发展历程、评测数据集、评价指标、检测系统的基本构件、加速技术，以及最新最先进的检测方法。本文还综述了行人检测、人脸检测、文本检测等重要的检测应用，并对其面临的挑战以及近年来的技术进步进行了深入分析。
关于目标检测的细节，后续会多篇文章进行详细介绍。
1. Introduction
目标检测解决什么问题？
目标检测解决的是计算机视觉任务的基本问题：即What objects are where？图像中有什么目标，在哪里？
目标检测面临哪些挑战？
除了计算机视觉任务都存在的不同视角、不同光照条件以及类内差异等之外，还存在目标旋转和尺度变化(如小目标)，如何精确的目标定位，密集和遮挡条件下的目标检测，以及如何加快检测速度等。
2. 目标检测Road Map
以2014年为界，目标检测分为传统目标检测时期和基于深度学习的目标检测时期
2.1 传统目标检测器
基本依靠手工特征
2.1.1 VJ 检测器
Viola Jones检测器首次实现人脸实时监测，VJ检测器使用简单直接的检测方式---滑动窗口，但是当时算力有限，为了达到实时使用了三项技术：
（1）积分图
积分图是一种计算方法，可以加速框过滤或卷积过程。在VJ检测器中使用Haar小波作为图像的特征表示。积分图像使得VJ检测器中每个窗口的计算复杂度与其窗口大小无关。
（2）特征选择
没有使用手动选择的Haar基过滤器，而是使用Adaboost算法从一组巨大的随机特征集合(约180k维)中选择一组对人脸检测最有帮助的特征。
（3）检测级联
VJ 检测器引入了多级检测范式(又称“检测级联”)，通过减少对背景窗口的计算，而更多地对人脸目标进行计算，从而减少了计算开销。
2.1.2 HOG检测器
HOG(Histogram of Oriented Gradients)，即方向梯度直方图特征描述器，主要用于行人检测，也可以用于检测其他对象。为了平衡特征不变性( feature invariance，包括平移、尺度、光照等)和非线性(区分不同目标类别)，将HOG描述符设计为在密集的均匀间隔单元网格上计算，并使用重叠局部对比度归一化（local contrast normalization）来提高精度。为了检测不同大小的对象，HOG检测器在保持检测窗口大小不变的情况下，对输入图像进行多次rescale。
2.1.3 Deformable Part-based Model (DPM)
传统目标检测方法的巅峰之作，VOC07、08、09检测连续夺冠。DPM最初是HOG检测器的扩展，随后由Girshick大佬作了一系列改进。DPM遵循“分而治之”的检测思想，训练可以简单地看作是学习分解对象的恰当方式，推理可以看作是对目标不同部分检测的集合。
一个典型的DPM检测器由一个root-filter和一些part-filters组成。基于DPM的弱监督学习方法不需要手工指定part filters的配置(如尺寸和位置)，而是将part-filters的所有配置作为潜变量自动学习。
Girshick将此过程进一步表示为Multi-Instance learning的一个特例，并应用了“hard negative mining”、“bounding box regression”和“context priming”等重要技术来提高检测精度。为了加快检测速度，Girshick开发了一种技术，将检测模型“编译”成一个更快的模型，该模型实现了级联结构，在不牺牲任何精度的情况下实现了超过10倍的加速（什么这么神奇，其实我也想知道，但是暂时没时间看了）。
在深度学习时代，目标检测可以分为两类：two-stage和one-stage，前者是由粗到精的过程，而后者则一步到位。
2.2 基于CNN的Two-stage目标检测器
2.2.1 RCNN
Regions with CNN features
背景
传统方法遭遇瓶颈，AlexNet带来曙光
过程
（1）使用选择性搜索（selective search）获取目标候选框（proposal）
（2）每个proposal rescale到固定尺寸，输入CNN来提取特征
（3）线性SVM分类器用于预测每个区域内目标的存在，并识别其类别
缺点
对大量重叠proposal的冗余特征计算(一张图像超过2000个框)导致检测速度极慢(使用GPU每张图像14秒)。
2.2.2 SPPNet
Spatial Pyramid Pooling Networks
背景
RCNN速度慢，且需要固定尺寸的输入（比如AlexNet的224x224）
贡献
引入了空间金字塔池层(Spatial Pyramid Pooling)，它使CNN能够生成固定长度的表示，而不需要重新调整图像/感兴趣区域的大小。
利用SPPNet进行目标检测时，只需要对整个图像进行一次计算得到特征图，就可以生成任意区域的定长表示来训练检测器，避免了卷积特征的重复计算。
SPPNet的速度是R-CNN的20多倍，并且没有牺牲任何检测精度(VOC07 mAP=59.2%)。
缺点
（1）训练仍然是多阶段的
（2）SPPNet只对其全连接层进行微调，而忽略了之前的所有层。
2.2.3 Fast RCNN
RCNN和SPPNet的结合
缺点
选择性搜索速度较慢，可否替换为CNN
2.2.4 Faster RCNN
贡献
Region Proposal Network (RPN)，几乎没有消耗的生成proposal
从R-CNN到Faster RCNN，一个目标检测系统的大部分独立模块，如proposal生成、特征提取、边界框回归等，都逐渐集成到一个统一的端到端学习框架中。
2.2.5 R-FCN&&Light-head RCNN
解决Faster RCNN的计算冗余
2.2.6 Feature Pyramid Networks（FPN）
背景
在FPN之前的大部分检测模型，都是使用单层Top Layer进行检测（当然也有SSD）
虽然CNN较深层的特征有利于分类，但不利于对象的定位。
贡献
为此，在FPN中构建了一种具有横向连接的自顶向下的结构，用于在所有尺度上获取高层语义。由于CNN通过前向传播自然形成了一个特征金字塔，所以FPN在检测具有多种尺度的目标时显示出了很大的进步。
2.3 基于CNN的One-Stage目标检测器
2.3.1 You Only Look Once (YOLO)
深度学习时代第一个One-stage检测器，最大的特点就是速度快
完全摒弃了之前proposal refine的思路，对整张图片应用单个神经网络
该网络将图像分割成多个区域，同时预测每个区域的边界框和置信度。
缺点
相比two-stage检测器，定位精度差，尤其是对于小目标，随后的v2、v3版本及SSD都在尝试解决这个问题
2.3.2 Single Shot MultiBox Detector (SSD)
贡献
与之前检测器的主要区别在于，SSD在网络的不同层检测不同尺度的对象，而后者仅在其顶层进行检测。
2.3.3 RetinaNet
背景
单阶段检测器效果比两阶段检测器差，本文认为主要问题在于单阶段检测器训练时正负样本的极度不平衡。
贡献
提出Focal Loss，通过对标准交叉熵损失的重构，使检测器在训练过程中更加关注难分类的样本，解决正负样本不平衡问题。
3.目标检测数据集
3.1 Pascal VOC
The PASCAL Visual Object Classes (VOC) Challenges (from 2005 to 2012)
20类：
Person: person;
Animal: bird, cat, cow, dog, horse, sheep;
Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train;
Indoor: bottle, chair, dining table, potted plant, sofa, tv monitor
3.2 ILSVRC
The ImageNet Large Scale Visual Recognition Challenge（ILSVRC，2010～2017）
200类
3.3 MS-COCO
2015开始
80类
单图目标数量多，目标密集，且小目标多
包含实例分割标注
3.4 Open Images
2018
Open Im- ages Detection (OID) challenge
600类
包含两个任务：
（1）标准目标检测
（2）视觉关系检测，用于检测特定关系中成对的目标
3.5 其他检测任务数据集
3..5.1 行人检测数据集
3.5.2 人脸检测数据集
3.5.3 文本检测数据集
3.5.4 交通信号灯和交通标志数据集
3.5.5 遥感目标检测数据集
4. 评价指标
4.1 IoU
这部分将在后续文章介绍：Detection基础之（一）IoU
4.2 mAP
这部分将在后续文章介绍：Detection基础之（二）mAP
