目标检测基础知识：卷积、池化、填充、采样、RPN、FPN一枚小白的博客-

卷积

• 目的：如果直接把原图像的全部信息输入网络中，那么冗余信息非常之多并且计算量会非常大，因此利用卷积可以减少冗余信息并且提取必要的特征。不同的卷积核可以提取不同的特征。
• 原理：用卷积核在输入图像上滑动，对应像素点做运算。
  • 卷积核
    
  • 滑动运算
    

池化

• 目的：卷积操作会降低一定的信息冗余，但是相邻像素点的像素值信息会非常接近。池化操作就进一步解决了信息冗余的问题，通过减小输入的大小降低输出值的数量，通常有最大值、最小值或平均值池化。
• 原理：如图所示，该池化为最大值池化
  
• ROI pooling
  

Padding

• 目的：在卷积处理时，输出图像会与输入图像的大小不符，而padding就是为了使输入、输出图像大小相同。
• 原理：在图像周围添加零。
  

感受野

• 概念：卷积神经网络（CNN）中每层的卷积特征图（feature map）上的像素点在原始图像中映射的区域大小，也就相当于高层的特征图中的像素点受原图多大区域的影响。
  
  

上采样与下采样

• 下采样：也称为降采样，主要目的是缩小图像，使得图像符合显示区域的大小，也可以生成对应图像的缩略图。
• 上采样：也称为图像插值，主要目的是放大图像。

RPN（区域候选网络）

• 目的：在特征图后产生候选预测区域。
• 应用：fast rcnn + rpn = faster rcnn
• 原理：
  • 整体流程图：
    
    
  • 整体流程说明：
  1. 输入为一个特征提取后的Feature Map，假设其大小为：N*(H*W)
  2. 用一个窗口(大小为256*(33)) 在Feature Map上滑动 ，每个滑动的位置做卷积，最终得到一个256(HW)的结果。其代表着HW个点，每个点是一个256维的向量，用于之后的计算。说明：这每个点都代表了滑动窗对应的特征图位置的信息，而特征图上这个区域的信息又代表了原图一定区域的信息，故每个点都是代表原图上的一块区域。
  3. 对H*W个点所对应的长度为256的特征向量分别做两次全连接操作，一个得到该点对应的分数，包括前景和背景分数，一个得到4个坐标。前面讲到，每个点对应特征图的某一滑窗区域，在RPN中每个滑窗区域自动选取了k=9个不同的框（Anchor Boxes)，因此对每一点会分别计算其对应的9个框的分数以及坐标。故产生了2k个分数和4k个坐标。
  4. 这样在特征图上的每一个滑窗区域就标记了九个框，然后再由特征图映射到原图中去。这样就得到了一整幅图的候选区域，之后再根据分数等信息予以淘汰。

FPN（特征金字塔网络）

• 目的：对多尺度的检测有更好地效果。
• 原理：
  • 金字塔网络的发展：
  1. 特征图像金字塔：将图像resize成不同的大小，分别进行预测，会导致计算量非常大。
     
  2. 单特征图：不断提取特征，再最后一层进行预测，尺度单一。
     
  3. 这种形式也没有得到足够低层的特征，低层的特征会在小目标检测中起到重要作用。
     
  • 特征金字塔网络：
    
    左边满足自底向上的特征提取过程，这里从上往下依次记为L_1,L_2,L_3，右边满足自顶向下的上采样与融合过程，从上往下依次记为R_1,R_2,R_3。该网络的步骤如下：左边提取完特征后，L_1也就是R_1，会进行上采样，上采样成与L_2大小相同的尺寸，并于L_2融合形成R_2。接下来同样，将R_2上采样并与L_3融合成R_3。
    这样便充分融合利用到了不同层的特征信息，更好地实现了多尺度对象的检测。