1. R-CNN:深度学习目标检测的破冰者
第一次看到R-CNN论文时,我正被传统目标检测方法的性能瓶颈困扰。2014年之前,我们还在用HOG、SIFT这些手工特征,检测准确率卡在30%左右难以突破。Ross Girshick团队的这项工作就像一剂强心针——直接将PASCAL VOC数据集的检测准确率拉升到50%以上。
R-CNN的核心创新在于将CNN特征引入检测流程。具体实现分为四个关键步骤:先用Selective Search算法生成约2000个候选区域(这个数量级后来成为行业惯例);然后对每个区域进行CNN特征提取;接着训练SVM分类器判断类别;最后用回归器微调边界框位置。我当时复现这个流程时,最耗时的部分就是特征提取——每个候选区域都要单独过一遍AlexNet,2000个区域意味着2000次前向计算。
Selective Search的候选生成原理很有意思。它先通过图像分割得到初始区域,再基于颜色、纹理等相似度合并区域,形成层次化结构。这种自底向上的方式能较好地覆盖各种尺寸的目标。不过在实际项目中,我发现它对细长物体(如旗杆)的召回率较低。
特征提取阶段有个工程细节值得注意:所有候选区域都要缩放到227×227固定尺寸。这个设计源于AlexNet的输入要求,但也带来两个问题:一是形变会影响小目标的识别,二是重复计算导致效率低下。我做过测试,VGG16处理一张图的2000个候选框,仅特征提取就要47秒。
分类器设计采用了"一对多"策略——每个类别单独训练SVM。以PASCAL VOC为例,需要训练20个二分类器。这种设计在样本不平衡时表现稳健,但存储20组分类器参数确实占用不少空间。记得当时实验室服务器因为存储特征文件差点爆盘,不得不临时加装硬盘。
边界框回归是提升定位精度的关键。通过训练回归器预测四个参数(中心点偏移+宽高缩放),能将Selective Search生成的粗糙建议框调整得更精确。我在调试时发现,当初始IoU>0.6时回归效果最好,这也解释了为什么后续算法都注重提高初始建议框质量。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Fast R-CNN:效率革命的里程碑
2015年看到Fast R-CNN论文时,我立刻被它的设计智慧折服。相比R-CNN的53秒检测耗时,新方法仅需0.3秒,提速近200倍!这主要归功于两项关键创新:特征共享和ROI Poolin
