目标检测篇---R-CNN梳理

目标检测系列文章

第一章 R-CNN

---

---

📄 论文标题

R-CNN: Rich feature hierarchies for accurate object detection and semantic segmentation (CVPR 2014)
作者：Ross Girshick ；Jeff Donahue；Trevor Darrell；Jitendra Malik
团队：UC Berkeley

---

🧠 论文逻辑梳理

1. 引言部分梳理 (动机与思想)

Aspect	Description (Motivation / Core Idea)
问题背景 (Problem)	2012 年之前，基于传统手工特征（如 SIFT, HOG）结合机器学习模型（如 SVM, DPM）的目标检测方法性能趋于饱和，遇到了瓶颈。
机遇 (Opportunity)	与此同时，深度卷积神经网络 (CNN) 在大规模图像分类任务（如 ImageNet LSVRC）上取得了突破性进展，展现了强大的特征学习和表达能力。
挑战 (Challenge)	如何将 CNN 强大的分类能力有效地应用于需要精确定位的目标检测任务？CNN 通常处理固定大小的输入图像，而检测需要在图像不同位置识别不同大小的物体。
核心思想 (Core Idea)	“Regions with CNN features” (R-CNN)：将目标检测任务分解为两个阶段：首先使用某种机制（如 Selective Search）生成与类别无关的候选区域 (Region Proposals)，然后对每个区域独立地使用 CNN 提取特征并进行分类和位置修正。
核心假设 (Hypothesis)	应用深度 CNN 从候选区域中提取的丰富、有层次的特征，将显著提升目标检测的准确率，远超传统方法。

---

📝 三句话总结

方面	内容
❓发现的老问题	1、传统特征局限： HOG, SIFT 等手工特征表达能力不足，难以应对物体外观多样性。 2、性能瓶颈： 以 DPM 为代表的传统检测器性能提升缓慢。 3、CNN 应用鸿沟： 强大的 CNN 分类模型难于直接有效地应用于需要定位的检测任务。
💡提出的新方法 (R-CNN)	核心框架： 提出一个多阶段流程： 1. 区域提议 (Selective Search)： 生成类别无关的候选区域。 2. 特征提取 (CNN)： 对每个变形后的区域（227 * 227）用（微调后）AlexNet 提取特征。 3. 分类 (SVM)： 用类别专属的线性 SVM 对特征进行分类。 4. 定位精修 (BBR)： 用类别专属的 BBR 修正候选框位置。 关键技术： 成功应用迁移学习，将在 ImageNet 上预训练的知识迁移到检测任务。
⚡新方法的局限性	速度慢： 对每个候选区域（~2k/图）独立运行 CNN，计算成本极高。 训练复杂： 多阶段训练（CNN微调、SVM训练、BBR训练）流程繁琐，非端到端。 存储开销大： 需要缓存所有区域的特征用于 SVM/BBR 训练，占用大量磁盘空间。

---

🔍 方法逻辑梳理

R-CNN 本身不是一个单一的端到端模型，而是一个处理流水线 (Pipeline)。

• 模型输入：

  • 一张 RGB 图像。

• 处理流程：

  1. 候选区域生成 (Region Proposal - 外部模块):
     • 输入： 原始图像。
     • 处理： 运行 Selective Search 算法。
     • 输出： 约 2000 个候选区域的坐标 $[P_1,P_2,...,P_{2k}]$。
  2. 特征提取 (CNN Feature Extractor):
     • 输入： 图像和所有候选区域 $P_i$。
     • 处理 (Encoder 角色)：
       • 对每个 $P_i$，从原图中裁剪出对应区域的图像块。
       • 将图像块强制变形 (warp) 到 CNN 输入尺寸 (e.g., 227x227)。
       • 将变形后的图像块送入微调后的 AlexNet 进行前向传播。
       • 提取特定层的激活值作为特征（如 pool5 层特征 ${\varphi }_{pool5}(P_i)$ 或 fc7 层 4096 维向量 ${\varphi }_{fc7}(P_i)$ ）。
     • 输出： 每个候选区域 $P_i$ 对应的高维特征向量 $\varphi (P_i)$。
  3. 分类 (Classifier - SVMs):
     • 输入： 特征向量 ${\varphi }_{fc7}(P_i)$。
     • 处理： 将特征向量输入到 $N+1$ 个（N 个物体类别 + 1 个背景类别）独立训练好的线性 SVM 中。
     • 输出： $P_i$ 属于每个类别的置信度得分。
  4. 定位精修 (Localizer - BBRs):
     • 输入： pool5 特征向量 ${\varphi }_{pool5}(P_i)$（对于被 SVM 判为非背景的 $P_i$）。
     • 处理： 根据 $P_i$ 被判定的类别 $c$，使用该类别专属的 BBR 线性模型，基于 ${\varphi }_{pool5}(P_i)$ 预测一个 $(d_x,d_y,d_w,d_h)$ 变换。
     • 输出： 经过变换修正后的更精确的边界框 ${\hat{G}}_i$。
  5. 后处理 (Post-processing - NMS):
     • 输入： 所有带有类别、分数和（可能修正后）边界框的候选区域。
     • 处理： 对每个类别，应用非极大值抑制 (NMS) 算法，去除重叠度高且分数较低的冗余检测框。
     • 输出： 最终的检测结果列表，每个结果包含类别、置信度和最终边界框。

• 模型输出：

  • 图像中检测到的物体列表，每个物体包含：类别标签、置信度分数、精修后的边界框坐标。

• 训练过程 (Multi-stage):

  1. CNN 微调 (Fine-tuning)：
     • 使用 ImageNet 预训练的 AlexNet 作为起点。
     • 用目标检测数据集中的 warped region proposals 进行微调。将与真实物体 IoU > 0.5 的 proposal 视为对应类别的正样本，其余视为负样本（背景）。最后一层替换为 N+1 路 Softmax。
  2. SVM 训练：
     • 使用微调后的 CNN 提取所有 proposals 的 fc7 特征并存盘。
     • 对每个类别，训练一个二元线性 SVM。使用真实边界框作为正样本，与所有真实物体 IoU < 0.3 的 proposals 作为负样本。使用难例挖掘 (Hard Negative Mining)。
  3. BBR 训练：
     • 对每个类别，筛选出与该类某个真实边界框 IoU 较高的 proposals $P$。
     • 提取这些 $P$ 的 pool5 特征 ${\varphi }_{pool5}(P)$。
     • 训练线性回归模型，预测从 $P$ 到其对应真实边界框 $G$ 的变换参数 $(t_x,t_y,t_w,t_h)$。

---

🚀 关键创新点

• 创新点 1: CNN 特征用于检测 (CNN Features for Detection)

  • 为什么要这样做？ 传统手工特征表达能力有限，无法很好地应对物体的多样性。CNN 被证明能学习到更鲁棒、更具判别力的层次化特征。
  • 不用它会怎样？ 检测精度会停留在 DPM 等方法的水平，难以大幅提升，无法充分利用深度学习带来的红利。

• 创新点 2: 区域提议 + CNN 结合 (Region Proposals + CNN)

  • 为什么要这样做？ CNN 需要固定尺寸输入，而检测需要在图像各处定位物体。区域提议提供了物体可能位置的“候选”，将检测问题转化为对大量候选区域的“分类”问题，使得 CNN 可以被应用。
  • 不用它会怎样？ 如果直接在整图上用 CNN 滑窗，计算量巨大且难以处理不同尺寸和长宽比的物体；如果直接让 CNN 输出坐标，在当时的技术条件下难以实现精确且鲁棒的定位。这种结合是当时应用 CNN 进行检测的关键桥梁。

• 创新点 3: 迁移学习 (Transfer Learning: Pre-training + Fine-tuning)

  • 为什么要这样做？ 目标检测数据集通常比大型分类数据集（如 ImageNet）小得多。直接在小数据集上训练深度 CNN 容易过拟合。预训练让模型学习通用的视觉模式，微调则使其适应特定检测任务。
  • 不用它会怎样？ 在有限的检测数据上从头训练深度 CNN 效果会差很多，难以收敛到好的性能，无法有效利用 ImageNet 等大规模数据集蕴含的知识。

• 创新点 4: 边界框回归 (Bounding Box Regression)

  • 为什么要这样做？ Selective Search 等区域提议方法产生的候选框定位通常不够精确。
  • 不用它会怎样？ 检测框的定位精度会受限于区域提议的质量，即使分类正确，框的位置也可能不够准，导致在需要高 IoU 匹配的应用或评估指标下性能下降。BBR 进一步提升了定位精度。

总而言之，R-CNN 通过巧妙地结合区域提议和强大的 CNN 特征，并利用迁移学习，成功地将深度学习引入目标检测领域，极大地提升了检测精度，开启了后续一系列基于深度学习的检测算法（Fast R-CNN, Faster R-CNN 等）的发展。

---

🔗 方法流程图

---

补充

边界框回归 (BBR)

1. BBR 的目标与核心思想

• 目标： 解决由 Selective Search 等方法产生的候选区域框 $P$ (Proposal) 定位不够精确的问题。【相当于有了先验候选区域P，进一步利用先验】
• 核心思想： 学习一个映射关系，根据从候选区域 $P$ 提取的 CNN 特征，预测出将 $P$ 调整到更接近真实边界框 $G$ (Ground Truth) 所需的变换参数，从而得到一个更精确的预测框 $\hat{G}$

2. BBR 实现细节

输入 (Input)

• 候选区域框 $P=(P_x,P_y,P_w,P_h)$，其中 $(P_x,P_y)$ 是中心坐标，$P_w,P_h$ 是宽高。
• 从该区域提取的 CNN 特征向量，R-CNN 中特指 pool5 层特征 ${\varphi }_5(P)$。

目标变换 (Target Transformation)

BBR 不直接预测 $G$ 的坐标，而是预测从 $P$ 到 $G$ 的相对变换量 $t_{\ast }$ ($\ast$ 代表 $x,y,w,h$)：

• $t_x=(G_x-P_x)/P_w$ (中心 x 平移量，宽度归一化)
• $t_y=(G_y-P_y)/P_h$ (中心 y 平移量，高度归一化)
• $t_w=\log (G_w/P_w)$ (宽度对数缩放)
• $t_h=\log (G_h/P_h)$ (高度对数缩放)

这些 $t_{\ast }$ 是模型训练时的真实标签。

模型 (Model)

• 对每个物体类别训练一组独立的线性回归模型。
• 模型以 pool5 特征 ${\varphi }_5(P)$ 为输入，预测变换参数 $d_{\ast }(P)$：
  $$d_{\ast }(P)={\mathbf{w}}_{\ast }^T{\varphi }_5(P)$$
  其中 ${\mathbf{w}}_{\ast }$ 是对应类别、对应变换维度 $(\ast )$ 的学习到的权重向量。

训练 (Training)

1. 数据选择： 只选用与某个真实框 $G$ 重叠度高 (e.g., $IoU\ge 0.6$) 的候选框 $P$ 进行训练。
2. 标签计算： 对每个训练样本 $(P^i,G^i)$，计算真实的变换目标 $t_{\ast }^i$。
3. 模型学习： 使用带 $L_2$ 正则化的最小二乘法 (岭回归) 寻找最优权重 ${\mathbf{w}}_{\ast }$，最小化预测误差：
   $${\mathbf{w}}_{\ast }=\arg \underset{{\hat{\mathbf{w}}}_{\ast }}{\min }\sum _{i=1}^N(t_{\ast }^i-{\hat{\mathbf{w}}}_{\ast }^T{\varphi }_5(P^i){)}^2+\lambda \Vert {\hat{\mathbf{w}}}_{\ast }{\Vert }^2$$

推理/应用 (Inference/Application)

1. 对于一个通过 SVM 分类器判定为某类别 $c$ 的候选框 $P$，提取其 ${\varphi }_5(P)$ 特征。
2. 使用该类别 $c$ 对应的已训练好的权重 ${\mathbf{w}}_{\ast }^c$ 预测变换参数 $d_{\ast }(P)$：
   $d_x(P)=({\mathbf{w}}_x^c{)}^T{\varphi }_5(P)$, $d_y(P)=({\mathbf{w}}_y^c{)}^T{\varphi }_5(P)$, …
3. 将预测的变换 $d_{\ast }(P)$ 应用于原始框 $P$，得到修正后的预测框 $\hat{G}=({\hat{G}}_x,{\hat{G}}_y,{\hat{G}}_w,{\hat{G}}_h)$：
   • ${\hat{G}}_x=P_w{d}_x(P)+P_x$
   • ${\hat{G}}_y=P_h{d}_y(P)+P_y$
   • ${\hat{G}}_w=P_w\exp (d_w(P))$
   • ${\hat{G}}_h=P_h\exp (d_h(P))$

3. 关键疑问解答

Q1: 为什么预测“变换” ($t_{\ast }$) 而不是直接预测坐标 ($G_x,G_y,G_w,G_h$)？

• 简化学习任务： 预测相对的、归一化的“微调量”比预测绝对坐标更容易学习，尤其是对于线性模型。模型只需关注如何根据特征修正当前的 $P$。
• 尺度不变性： 变换 $t_{\ast }$ 的定义（归一化平移、对数缩放）使得学习目标对物体的大小和位置不敏感，模型更鲁棒。例如，无论 $P$ 大小如何，只要物体中心在 $P$ 中心右侧 10% 宽度处，$t_x$ 就大约是 0.1。
• 避免困难的绝对映射： 直接预测绝对坐标需要模型处理非常大的输出范围，对输入特征的微小变化可能导致输出剧烈变化，学习不稳定。预测变换将问题约束在一个更合理、更易于学习的空间。
• 利用 P 的信息： 预测变换显式地利用了候选框 $P$ 作为“起点”或“参考点”。【先验】
  再提一点，预测“变换” ($t_*$) 是根据损失函数来定义的：
  $${\mathbf{w}}_{\ast }=\arg \underset{{\hat{\mathbf{w}}}_{\ast }}{\min }\sum _{i=1}^N(t_{\ast }^i-{\hat{\mathbf{w}}}_{\ast }^T{\varphi }_5(P^i){)}^2+\lambda \Vert {\hat{\mathbf{w}}}_{\ast }{\Vert }^2$$

Q2: 边界框回归器权重 ${\mathbf{w}}_{\ast }$ 是什么以及如何工作？

• 来源： 权重向量 ${\mathbf{w}}_{\ast }$ 不是预设的，而是通过监督学习训练得到的。训练过程通过最小化预测变换 $d_{\ast }$ 与真实目标变换 $t_{\ast }$ 之间的误差（如上述岭回归损失函数），找到最优的 ${\mathbf{w}}_{\ast }$ 数值。
• 本质： ${\mathbf{w}}_{\ast }$ 是线性回归模型的核心参数。对于特定类别、特定变换维度（如“猫”类别的 x 变换），就有一组对应的权重 ${\mathbf{w}}_x^{cat}$。
• 作用机制： 通过点积运算 ($d_{\ast }(P)={\mathbf{w}}_{\ast }^T{\varphi }_5(P)$) 实现。这个运算本质上是一个加权求和：
  $$d_{\ast }(P)=\sum _{j=1}^K{w}_j{f}_j$$
  其中 $f_j$ 是 ${\varphi }_5(P)$ 特征向量的第 $j$ 维，$w_j$ 是 ${\mathbf{w}}_{\ast }$ 向量的第 $j$ 个权重。
• 意义： 每个权重 $w_j$ 代表了第 $j$ 个 CNN 特征 $f_j$ 对于预测该特定变换 $d_{\ast }$ 的重要性和影响方向。训练好的 ${\mathbf{w}}_{\ast }$ 编码了从数据中学到的知识：即哪些视觉特征模式（体现在 ${\varphi }_5(P)$ 中）指示了需要对边界框进行何种几何调整。它将高维的特征向量“翻译”成一个代表调整量的标量值。

Q3: 为什么还要单独训练一个SVM用作分类器呢？直接把CNN网络微调最后一层分类成21类（1类背景）作为分类器不更直接么

• 实证性能提升： R-CNN 论文的实验结果表明，在提取了 CNN 特征（特别是 fc7 特征）之后，使用 线性 SVM 进行分类，其 mAP (mean Average Precision) 结果显著优于直接使用微调后的 CNN 的 Softmax 输出。

• 训练策略和样本定义的差异：

• CNN微调通常相对宽松。例如，与真实边界框 IoU 大于 0.5 的候选区域就被视为对应类别的正样本，用于微调 Softmax。负样本（背景）的选择也相对简单。

• SVM 训练，只有真实边界框本身被视为对应类别的正样本。对于负样本，作者采用了难例挖掘 (Hard Negative Mining) 策略

一些常见技术：

难例挖掘 (Hard Negative Mining):

先用一部分负样本训练 SVM，然后将训练好的 SVM 应用到大量的、与任何真实物体 IoU 都很低的候选区域（这些都是“简单”或“潜在困难”的背景样本）上。找出那些被 SVM 错误地分为前景（即“难例” Hard Negatives）的背景样本，将这些难例加入负样本集中，重新训练 SVM。 这个过程使得 SVM 特别擅长区分那些容易与真实物体混淆的背景区域，从而提高了分类的准确性。而 CNN 微调阶段的 Softmax 通常没有经过这样专门针对难例的优化。

非极大值抑制 Non-Maximum Suppression：

对于一组指向同一物体的、相互重叠的边界框，只保留那个置信度分数最高的框，并抑制（删除）掉其他与它重叠度过高的框。