8月18日消息，来自新加坡管理大学和 Salesforce 亚洲研究院的研究人员撰写了一篇论文，对基于深度学习的视觉目标检测的近期发展进行了全面综述，系统性地分析了现有的目标检测框架。

该综述文章包括三个主要部分：1）检测组件；2）学习策略；3）应用与基准，并详细介绍了影响目标检测性能的多种因素，如检测器架构、特征学习、候选框生成、采样策略等。

下图 2 展示了，2012 年以来基于深度学习的目标检测技术的主要发展和里程碑。这篇论文介绍了这些关键技术的基本思想，并进行了系统性分析。

图 2：2012 年以来，基于深度卷积神经网络的目标检测技术的主要里程碑。过去一年的技术发展趋势是基于 anchor-free 的目标检测器（红色线）和 AutoML 技术（绿色线），这两项技术可能成为未来重要的研究方向。

因为该综述论文花了近 40 页篇幅综述各种解决方案与组成结构，内容覆盖了这些年主要的研究进展与突破，所以机器之心只介绍部分内容，更详细的介绍请查阅原论文。

当然，以前机器之心也曾介绍过很多目标检测方面的研究或综述文章，因此本文会侧重介绍 18 年到 19 年非常流行的基于关键点的目标检测。这一种单步检测范式不仅拥有极高的准确率，同时速度还非常快，也许目标检测未来的发展主流会聚集在这一范式下。

如果读者希望了解以前非常流行的两种目标检测方法，可以查阅以下文章：

从 RCNN 到 SSD，这是超全的目标检测算法盘点

单级式目标检测方法概述：YOLO 与 SSD

从经典走向前沿的目标检测

在深度学习时代之前，早期的目标检测流程分为三步：候选框生成、特征向量提取和区域分类。

候选框生成阶段的目标是搜索图像中可能包含对象的位置，这些位置又叫「感兴趣区域」（ROI）。直观的思路是用滑动窗口扫描整幅图像。为了捕捉不同尺寸和不同宽高比对象的信息，输入图像被重新分割为不同的尺寸，然后用不同尺寸的窗口滑动经过输入图像。

第二阶段，在图像的每一个位置上，利用滑动窗口获取固定长度的特征向量，从而捕捉该区域的判别语义信息。该特征向量通常由低级视觉描述子编码而成，这些描述子包括 SIFT (Scale Invariant Feature Transform) 、Haar 、HOG(Histogram of Gradients) 、SURF(Speeded Up Robust Features) 等，它们对缩放、光线变化和旋转具备一定的鲁棒性。

第三阶段，学习区域分类器，为特定区域分配类别标签。

通常，这里会使用支持向量机（SVM），因为它在小规模训练数据上性能优异。此外，Bagging、级联学习（cascade learning）和 Adaboost 等分类技术也会用在区域分类阶段，帮助提高目标检测的准确率。

DL 时代的目标检测

在将深度卷积神经网络成功应用于图像分类后，基于深度学习技术的目标检测也取得了巨大进步。基于深度学习的新算法显著优于传统的目标检测算法。

目前，基于深度学习的目标检测框架可以分为两大类：1）二阶检测器（Two-stage），如基于区域的 CNN (R-CNN) 及其变体；2）一阶检测器（One-stage），如 YOLO 及其变体。

二阶检测器首先使用候选框生成器生成稀疏的候选框集，并从每个候选框中提取特征；然后使用区域分类器预测候选框区域的类别。一阶检测器直接对特征图上每个位置的对象进行类别预测，不经过二阶中的区域分类步骤。

通常而言，二阶检测器通常检测性能更优，在公开基准上取得了当前最优结果，而一阶检测器更省时，在实时目标检测方面具备更强的适用性。

DL 目标检测器该怎样系统学习

本文目标是全面理解基于深度学习的目标检测算法。下图 3 展示了本文涵盖主要方法的分类：根据深度学习目标检测算法的不同贡献将其分为三类：检测组件、学习策略，以及应用与基准。

图 3：本文涵盖主要方法的分类。

对于检测组件，这篇论文首先介绍了两种检测设置：边界框级（bbox-level）定位和像素掩码级（mask-level）定位。bbox-level 算法需要按照矩形边界框进行目标定位，而 mask-level 算法则按照更准确的像素级掩码进行目标分割。

接下来，论文总结了二阶检测和一阶检测的代表性框架。然后对每个检测组件进行了详细论述，包括主干架构、候选框生成和特征学习。

对于学习策略，论文首先强调了学习策略的重要性（因为训练检测器是很艰难的过程），然后详细介绍了训练和测试阶段中的优化技术。最后，论文概览了一些基于目标检测的现实应用，并展示了近年来通用目标检测技术在公开基准上的当前最优结果。

这些虽然是这篇综述论文的写作思路，但是对于希望系统了解该领域的读者而言，也是非常好的学习路径：先了解整体类别与研究现状，再了解具体的组件与策略。

检测范式

当前最优的深度学习目标检测器可以分为两大类：二阶检测器和一阶检测器。二阶检测器首先生成稀疏的候选框集合，然后使用深度卷积神经网络编码生成候选框的特征向量，并执行类别预测。一阶检测器没有候选框生成这一单独步骤，它们通常将图像的所有位置都看作潜在对象，然后尝试将每个感兴趣区域分类为背景或目标对象。

二阶检测器

二阶检测器将检测任务分成两个阶段：候选框生成和对候选框执行预测。在第一阶段，检测器尝试识别图像中可能存在对象的区域。其基本思想是以高召回率提出候选区域，使得图像中的所有对象属于至少一个候选区域。第二阶段中，使用基于深度学习的模型为这些候选区域分配正确的类别标签。每个区域可能是背景，也可能是属于某个预定义类别标签的对象。

图 4：不同二阶目标检测框架概览。红色虚线矩形表示输出（该输出定义损失函数）。

一阶检测器

与把检测流程分成两部分的二阶检测器不同，一阶检测器没有单独的候选框生成步骤。它们通常将图像上的所有位置都看作潜在对象，然后再把每个感兴趣区域分类为背景或目标对象。

图 5：不同一阶目标检测框架概览。红色虚线矩形表示输出（输出定义目标函数）。

Redmon 等人提出了一种叫做 YOLO（You only Look Once）的实时检测器。YOLO 将目标检测看作回归问题，将整个图像分割为固定数量的网格单元（如使用 7 × 7 网格）。每个单元被看作一个候选框，然后网络检测候选框中是否存在一或多个对象。

基于精细设计的轻量级架构，YOLO 可以 45 FPS 的速度执行预测，使用更简化的骨干网络后速度可达 155 FPS。但是，YOLO 面临以下挑战：

对于给定位置，它至多只能检测出两个对象，这使得它很难检测出较小的对象和拥挤的对象。

只有最后一个特征图可用于预测，这不适合预测多种尺寸和宽高比的对象。

2016 年，Liu 等人提出另一个一阶检测器 Single-Shot Mulibox Detector (SSD)，解决了 YOLO 的缺陷。SSD 也将图像分割为网格单元，但是在每一个网格单元中，可以生成一组不同尺寸和宽高比的锚点框，从而离散化边界框的输出空间。

SSD 在多个特征图上预测对象，且每一个特征图基于其感受野来检测特定尺寸的对象。整个网络通过端到端训练机制，使用位置损失和分类损失的加权和作为损失函数进行优化。最后网络合并来自不同特征图的全部检测结果，得到最终的预测。

没有候选框生成步骤来帮助筛选容易正确分类的负样本，导致前景背景类别不均衡成为一阶检测器中的严重问题。Lin 等人提出一阶检测器 RetinaNet，用更灵活的方式解决了类别不均衡的问题。

RetinaNet 使用 focal loss 抑制易分负样本的梯度，而不是简单地摒弃它们。然后使用特征金字塔网络，在不同级别的特征图上检测多尺寸对象。

Redmon 等人提出 YOLO 改进版本——YOLOv2，它显著提升了检测性能，且仍然维持实时推断速度。YOLOv2 通过对训练数据执行 k 折聚类（而不是手动设置）来定义更好的锚点先验，这有助于降低定位中的优化难度。

以前的方法在训练检测器时需要手动设计锚点框，后来一批 anchor-free 目标检测器出现，其目标是预测边界框的关键点，而不是将对象与锚点框做匹配。

其中比较受关注的是基于关键点的检测架构，它会预测左上角和右下角的热图，并用特征嵌入将其合在一起，CornerNet 就是基于关键点检测中非常经典的架构。当然还有后续结合中心点和角点的 CenterNet，它具有更好的性能。

候选框生成

候选框生成在目标检测框架中起着非常重要的作用。候选框生成器生成一组矩形边界框，它们有可能包含对象。然后使用这些候选框进行分类和定位精炼（localization refinement）。

基于锚点的方法

监督式候选框生成器的一个大类是基于锚点的方法。它们基于预定义锚点生成候选框。Ren 等人提出区域候选网络 (Region Proposal Network，RPN)，基于深度卷积特征图以监督方式生成候选框。

该网络使用 3 × 3 卷积核在整个特征图上滑动。对于每个位置，网络都考虑 k 个 不同大小和宽高比的锚点（或边界框的初始估计）。这些不同的尺寸和宽高比允许网络匹配图像中不同尺寸的对象。

基于真值边界框，将对象的位置与最合适的锚点进行匹配，从而为锚点估计获得监督信号。

图 6：RPN 图示。

基于关键点的方法

另一种候选框生成方法基于关键点检测，它分为两类：基于角点（corner）的方法和基于中心（center）的方法。

基于角点的方法通过合并从特征图中学得的角点对，来预测边界框。这种算法无需设计锚点，从而成为生成高质量候选框的更高效方法。

Law 和 Deng 提出 CornerNet，直接基于角点建模类别信息。CornerNet 使用新型特征嵌入方法和角点池化层（corner pooling layer）建模左上角点和右下角点的信息，从而准确匹配属于同一对象的关键点。该方法在公开基准上获得了当前最优结果。

基于中心的方法在特征图的每个位置上预测它成为对象中心的概率，且在没有锚点先验的情况下直接恢复宽度和高度。

Duan 等人 提出了 CenterNet，它结合了基于中心的方法和基于角点的方法。CenterNet 首先通过角点对预测边界框，然后预测初始预测的中心概率，来筛除易分负样本。相比基线，CenterNet 的性能获得了显著提升。

anchor-free 方法是未来很有前途的研究方向。

目标检测公开基准

当然除了整体范式与候选框的生成，目标检测还有更多的组件与细节，例如主体架构怎么选、数据增强/采样怎么做、模型压缩/加速怎么处理等等，本文就不一一介绍了。最后，让我们看看当前目标检测公开基准上的模型效果都怎么样。

目标检测的基准其实有挺多的，它们主要可以分为通用型、人脸检测型、公共区域型，它们加起来差不多有 16 个基准。

几个通用型目标检测基准，及其数据集的样本。

在下面表 2 和表 3 中，论文展示了近几年各种目标检测方法在 VOC2007、VOC2012 和 MSCOCO 基准上的效果。

文章来源： 机器之心