电路图原理：OH003，004的物体检测电路图

　　电路图原理：OH003，004的物体检测电路图

　　物体检测是计算机视觉中的经典问题之一，其任务是用框去标出图像中物体的位置，并给出物体的类别。从传统的人工设计特征加浅层分类器的框架，到基于深度学习的端到端的检测框架，物体检测一步步变得愈加成熟。

　　物体检测算法的演变分为两个阶段：一个就是基于传统特征的解决方法，另外一个就是深度学习算法。在2013年之前主流检测算法是传统的特征优化检测方法。但是，在2013年之后，整个学术界和工业界都逐渐利用深度学习来做检测。

　　基于深度学习的早期的物体检测，大都使用滑动窗口的方式进行窗口提取，这种方式本质是穷举法R-CNN。后来提出Selective Search等区域窗口提取算法，对于给定的图像，不需要再使用一个滑动窗口进行图像扫描，而是采用某种方式“提取”出一些候选窗口，在获得对待检测目标可接受的召回率的前提下，候选窗口的数量可以控制在几千个或者几百个。

　　后来，又出现了SPP，其主要思想是去掉了原始图像上的crop/warp等操作，换成了在卷积特征上的空间金字塔池化层。那么为什么要引入SPP层呢？其实主要原因是CNN的全连接层要求输入图片是大小一致的，而实际中的输入图片往往大小不一，如果直接缩放到同一尺寸，很可能有的物体会充满整个图片，而有的物体可能只能占到图片的一角。SPP对整图提取固定维度的特征，首先把图片均分成4份，每份提取相同维度的特征，再把图片均分为16份，以此类推。可以看出，无论图片大小如何，提取出来的维度数据都是一致的，这样就可以统一送至全连接层。

　　实际上，尽管R-CNN和SPP在检测方面有了较大的进步，但是其带来的重复计算问题让人头疼，而Fast R-CNN的出现正是为了解决这些问题。Fast R-CNN使用一个简化的SPP层——RoI（Region of Interesting）Pooling层，其操作与SPP类似，同时它的训练和测试是不再分多步，不再需要额外的硬盘来存储中间层的特征，梯度也能够通过RoI Pooling层直接传播。Fast R-CNN还使用SVD分解全连接层的参数矩阵，压缩为两个规模小很多的全连接层。