R-CNN 模型算法流程梳理

目录

一、R-CNN整体流程

二、需要注意的地方

---

论文连接：[1311.2524] Rich feature hierarchies for accurate object detection and semantic segmentation

     

       如果你之前了解过RNN，很容易混淆认为R-CNN也具有RNN的时序循环功能，这种理解是错误的：

• RCNN 里的 “R” 是 Region（区域），它其实是一种 目标检测结构，和循环无关；
• 它属于 区域提议 + CNN分类器 的思路，而不是时间序列建模。

       RCNN（Regions with Convolutional Neural Networks）是 Ross Girshick 等人在 2014 年提出的目标检测方法，它是深度学习在目标检测领域的早期重要成果之一。RCNN 将传统目标检测方法与卷积神经网络（CNN）结合起来，实现了更高的检测精度。

         它把 图像分类器（CNN） 与 目标检测（Region Proposal + 分类 + 回归） 结合在一起，流程清晰但处理效率不高。

一、R-CNN整体流程

下面是完整的 RCNN 整体流程梳理：

+----------------+|  输入图像      |+--------+-------+|v+---------------------------+|  候选区域提取 (Selective Search) |+---------------------------+|v+------------------------------+| 每个候选区域裁剪并缩放成固定大小 |+------------------------------+|v+---------------------------+|  CNN（如 AlexNet）特征提取  |+---------------------------+|v+---------+         +----------------+|  SVM 分类 | <--->  | 边界框回归（BBox） |+---------+         +----------------+|v+----------------+|   检测结果输出   |+----------------+

此处需要注意R-CNN利用CNN完成特征提取后，SVM分类，和边界框BBOX偏移量的计算是相互独立的。

🔵 RCNN 的主要流程

1️⃣ 候选框生成（Region Proposal）     

使用选择性搜索（Selective Search）从整张图像中生成大约 2000 个候选框（region proposals）。

• 输入：整张图像
• 输出：若干个可能包含目标的候选框（bounding boxes）

特点：

• 这一步是纯传统算法，和深度学习无关
• 每个候选框区域尺寸不同

2️⃣ 候选框裁剪与特征提取          

 对每个候选框区域裁剪、缩放到固定尺寸（如 224×224），然后输入到 CNN 中提取特征。

• CNN 使用 ImageNet 上预训练的分类网络（如 AlexNet）
• 特征来自全连接层前（如 fc7 层输出）
• 每个候选框 → 得到一个固定长度的特征向量（例如 4096 维）

结果形式：

        特征向量列表： [f_1, f_2, ..., f_N]，每个 f_i ∈ ℝ^4096

3️⃣ 分类          

使用提取到的 CNN 特征向量，训练一个类别分类器（通常是 SVM）

• 对每个类别都训练一个二分类 SVM（one-vs-rest）
• 判断一个框是不是某个类（狗、猫、飞机...）

4️⃣ 边界框回归（BBOX Regression）         

训练一个线性回归器（bbox regressor）对框的位置做微调

• 输入：特征向量
• 输出：位置偏移（t_x, t_y, t_w, t_h），对原始框做微调
• 每类一个回归器

边界框回归通常使用四个值（t_x, t_y, t_w, t_h）表示相对的调整：

在预测阶段，网络预测出 (t_x, t_y, t_w, t_h)，再反算出 refined BBOX

解码公式（decode）：

p_x = t_x * d_w + d_x

p_y = t_y * d_h + d_y

p_w  = exp(t_w) * d_w

p_h  = exp(t_h) * d_h

✅ 结果形式：

每个 region → 分类分数 + 位置偏移量

模型训练时的准备工作:

内容	说明
候选框准备	使用 Selective Search 生成候选框（约2000个）
标注匹配	将候选框与 ground truth 计算 IOU，设定正负样本阈值（如 IOU>0.5为正）
CNN 特征提取	将正负样本图像送入 CNN，提取特征
训练分类器（SVM）	用 CNN 特征 + 标签训练若干个二分类 SVM
训练BBOX回归器	用 CNN 特征 + 偏移量训练 bbox 回归器

二、需要注意的地方

1. RCNN 的流程中，特征向量（fc7）是怎么同时用于分类（SVM）和边界框回归（BBOX regression）的？

RCNN 本身（2014 年）没有端到端的多任务学习，它的处理是分开的，流程是这样的：

CNN 提取特征
输入：候选框（裁剪+resize）
输出：fc7 特征向量（4096 维）

SVM 分类

• 对所有候选框，使用提取的 fc7 特征向量，分别送到不同的 SVM（每个类别一个 SVM + 一个背景类别）。

• 这个步骤不在神经网络中，是离线训练的。

回归器

• 同样使用 fc7 特征向量，单独训练一个线性回归器（或者每个类别一个回归器），回归框的偏移量 (Δx, Δy, Δw, Δh)。

也就是说，SVM 分类和 BBOX 回归是完全分开的，它们只共享 CNN 的 fc7 特征向量，而不是神经网络内部“多任务”输出。

所以在 RCNN：

• 网络本身只负责提取 fc7 特征。

• SVM 分类和 BBOX 回归是独立的模型，单独训练，单独使用。

🔴 RCNN 中容易被忽略的细节

 1️⃣ CNN 不是端到端训练

• RCNN 的 CNN（例如 AlexNet）是用 ImageNet 分类数据集预训练的。

• 在 RCNN 里，CNN 只做特征提取，不会在目标检测任务上更新权重。

• 这意味着 RCNN 检测任务中的 CNN 权重是冻结的（不会 end-to-end 训练）。

2️⃣ SVM 和 BBOX 回归器是分开的

• SVM 分类器和边界框回归器在 RCNN 中是离线训练的，和 CNN 特征提取完全分开。

• 这导致 RCNN 训练步骤很繁琐，要单独训练三部分：CNN（预训练），SVM（每类一个），BBOX 回归器（每类一个）。

3️⃣ 训练样本采样的不平衡问题

• RCNN 用到 Selective Search 生成 2000+ 候选框，但大多数都是背景（负样本）。

• 训练 SVM 和回归器时，需要采样一部分负样本和正样本来避免类别极不平衡。

4️⃣ ROI（Region of Interest）裁剪和变形

• RCNN 把候选框直接裁剪成固定大小（如 227x227）。

• 这会导致几何变形（原始候选框长宽比和 227x227 不一样）。

• 变形会影响后续检测精度。

5️⃣ 不同类别 SVM 的处理

• RCNN 为每个类别都单独训练一个二分类 SVM。

• 最终推断时，多个 SVM 各自给分数，通常取分最高的类别。

• 这个和后来端到端网络中常见的 softmax 多分类不同。

6️⃣ 速度极慢

• 因为每个候选框都要跑一次 CNN，导致非常低效（在 GPU 上也是每张图要几秒）。

• 这是后来 SPPNet、Fast RCNN、Faster RCNN 诞生的主要动因。

另外：

✅候选框质量对结果影响巨大

• Selective Search 是基于分割的启发式算法，质量有限。

• 如果候选框漏掉了物体（召回率不够），再好的 CNN 也没用。

✅ 训练和推理步骤分裂

• RCNN 在训练时用的是裁剪过的图像（Warping），和真实推断时可能有 domain gap。

• 也就是推断时依赖 CNN 提取的全局图像特征，训练时是局部 warp 后的框，可能会有些微 mismatch。

✅ 多阶段训练带来的复杂性

• RCNN 训练时流程比较长：
  1️⃣ CNN 预训练（ImageNet）
  2️⃣ SVM 训练
  3️⃣ BBOX 回归训练

• 每步都有很多超参数，容易出错。

🟢 小结：RCNN 的易错点/易忽略点

项目	细节或坑
CNN 训练	只在 ImageNet 上预训练，不在检测数据上 finetune。
分类 vs 回归	SVM（离线） vs 回归器（离线），CNN 只提特征。
ROI 裁剪	固定尺寸裁剪（如 227x227），导致几何变形。
多阶段训练	不同阶段需单独训练，容易数据集不匹配或忘记某一步。
速度问题	每个候选框都跑 CNN，推理速度非常慢。
负样本比例	需要好好处理负样本采样，否则 SVM 训练偏移（负样本占大多数）。
SVM 结果处理	推断时是多 SVM 二分类结果合并（不是 softmax）。

🔵 总结
RCNN 是目标检测从 region proposal + CNN 特征提取起步的里程碑，但它的多阶段训练、慢速推断和非端到端的结构在后续被 Fast RCNN / Faster RCNN 所改进。

补充：

BBOX回归器：

在 RCNN 里，回归器只在“正样本”候选框上做训练。
所谓“正样本”= 与 GT 框的 IoU ≥ 0.5 的候选框。

流程：
1️⃣ 先对所有候选框（从 Selective Search 来的）和真值框（GT）算 IoU。
2️⃣ 每个候选框，找与它 IoU 最大的 GT 框。
3️⃣ 如果这个最大 IoU ≥ 0.5，认为它是“正样本”。否则，认为是“负样本”。

在回归器训练时，只保留正样本，用它们的特征和回归目标（偏移量）做训练。

所以，回归器的 Loss 只对正样本计算：

（负样本直接跳过，不参与计算 Loss）

BBOX 回归器结构示意

         +-----------------+|   fc7 特征向量   |  (4096,)+-----------------+||v+------------------------+|  线性回归层（仿全连接）  ||  W: (4096, 4)          ||  b: (4,)               |+------------------------+|v+-----------------+| 4 维 BBOX 偏移量  |  (tₓ, tᵧ, t_w, t_h)+-----------------+

 训练阶段

 输入：

• 4096 维的 fc7 特征向量（由 CNN 提取出来）
   目标：

• 4 维的 GT 偏移量 (Δx*, Δy*, Δw*, Δh*)
   优化：

• 最小化 L2 回归损失（只对正样本）

 推理阶段（测试）

在测试时：
 将 proposal（候选框）经过 CNN 提取 fc7 特征
 用回归器预测 4 维偏移量
 把原候选框 (x, y, w, h) 和预测的 (tₓ, tᵧ, t_w, t_h) 反算出最终的 refined BBOX

关键点

• 这个回归器其实是一个非常简单的“全连接层”结构（线性层），没有隐藏层或激活函数。

• 只不过在 RCNN 中它是单独训练（不是网络 end-to-end 联合优化）。