Page 84 - 软件工程与项目管理

软件工程与项目管理
Software Engineering & Project Management

使用 SPP-Net 进行检测的过程中，对原始图像只需要进行一次卷积网络计算，在
得到整幅图像的特征图之后，通过空间金字塔池化层将每个候选框区域（ROI）
都分别采样成相同尺寸的子图像，将相同尺寸的各个子图像送入后续的网络进行
特征提取，提取的特征具有相同的维数，最后送入全连接层进行分类。SPP-Net
不需要进行多次卷积网络计算，与 R-CNN 相比，在算法精度不变的情况下，算

法的速度有了 20 倍的大幅提升。
3. Fast R-CNN 算法
2015 年，R.Girshick 等人提出了 Fast R-CNN 算法，其本质是在 R-CNN 和

SPP-Net 的基础上进行了进一步改进。Fast R-CNN 可以在网络里同时预测目标的
分类概率和位置偏移。在 VOC2007 数据集上，Fast R-CNN 将 mAP(mean Average
Precision，平均精度均值）从 58.5% 提升至 70.0%，算法速度也比 R-CNN 有了
200 倍的提升。虽然 Fast R-CNN 的性能和速度相比 R-CNN 和 SPP-Net 有了明
显的改善，但整体速度仍然受到候选框检测算法的制约，为了解决这个问题，

Faster R-CNN 算法诞生了。
4. Faster R-CNN 算法
2015 年，S.Ren 等人提出了 Faster R-CNN 算法，Faster R-CNN 是第一个端

到端算法，也是第一个接近实时深度学习的目标检测算法。使用 ZF-Net 网络骨架，
在 VOC2007 数据集上，mAP 达到了 73.2%，算法速度达到了 17fps。Faster R-CNN
最主要的贡献是使用卷积网络检测候选框。检测候选框、预测目标的类别、回归
目标位置的偏移量，共享底层卷积特征，整个算法流程融合成了一个完整的端到
端学习框架。Faster R-CNN 突破了候选框检测的速度瓶颈，是一种十分重要的两

阶段算法。
5. FPN 算法
2017 年，Lin 等人在 Faster R-CNN 的基础上提出了 FPN(Feature Pyramid Net

works，特征金字塔策略）算法。在 FPN 之前，绝大多数深度学习检测器都是基
于卷积网络最顶层的特征图进行计算的。深层特征包含全局信息，却弱化了细节
信息，使用深层特征在小目标检测，尤其是精准定位方面，有着较大的劣势。
FPN 采用 top-down 结构以及侧连方法，将深层特征和浅层特征进行融合，使得
特征既包含全局信息又包含细节信息。另外，检测计算也基于特征金字塔的多层

特征图，具有更强的多尺度适应性。基于 FPN 的 Faster R-CNN 算法在 COCO 数

74
74