目标检测-R-CNN

R-CNN在2014年被提出，算法流程可以概括如下：

• 候选区域生成：利用选择性搜索(selective search)方法找出图片中可能存在目标的候选区域(region proposal)

• CNN网络提取特征：对候选区域进行特征提取(可以使用AlexNet、VGG等网络)

• 目标分类：训练分类模型(如svm等)识别目标物体和背景，对于每个类别都会有一个二元SVM

• 目标定位：训练回归模型，预测每个被识别物体的边界框

综上所述，可以概括为选取候选区域-》提取特征-》分类模型-》回归模型。R-CNN的整体设计思路，与传统图像目标检测很相似，只是将传统特征提取（HOG等方法）变为了卷积网络提取。

候选区域

候选区域(region proposal)选择方法有很多，比如EdgeBox、MSER、MCG和SelectivSearch等，其中SelectivSearch是比较有代表性的一种。

SelectiveSearch方法通常一张图像生成2000~3000左右的候选区域，通过SelectiveSearch产生的区域数量远远少于滑动窗口的穷举法产生的候选区域。具体过程如下：

• 使用语义分割的方法，将图片中的每一个像素作为一组，利用颜色、纹理和边界等多尺度综合方法，将像素相近的组合为一个像素组。

• 继续将各个像素组合并，直到整张图片合并完毕。

为了保证候选区域划分更加合理，Selective Search进行了如下设计：

1. 多样性策略

为了保证候选区域的准确性，SelectiveSearch主要通过颜色空间变换和距离计算方式进行优化。

• 颜色空间变化：将颜色空间可以转换为八种色彩空间。

• 距离计算：距离计算包括了颜色距离、纹理距离、尺度相似度衡量、形状重合度衡量和最终相似度衡量。

  • 颜色距离：1）每一个区域用三通道的颜色直方图表示，每个颜色通道设定25bins的直方图，这样每个区域就有3*25=75维的向量；2）对75维进行L1-normal归一化，每个颜色通道累加和为1，三个通道累计和为3；3）如果区域i和区域j直方图一样，则颜色相似度为3；4）如果区域i和区域j直方图差别较大，由于累加取两个区域bin的最小值，因为差距越大，累加和越小，相似度越小

  • 纹理距离：1）论文采用SIFT方法，将每个颜色通道的8个方向计算方差为1的高斯微分；2）用L1-Normal

        对每个颜色通道的每个方向的10bins的直方图，得到8*10*3=240维向量；3）两个区域相似度越高，纹理距离越大，反之越小

  • 尺度相似度衡量：通过颜色距离和纹理距离进行合并，容易使得合并后的区域不断吞并周围的区域，导致多尺度只应用在那个局部，不是全局的多尺度。尺度相似度衡量，就是给小区域更高的权重，保证每个位置都是多尺度在合并

  • 区域重合度衡量：区域重合度主要是为了衡量两个区域的“吻合”程度，不能合并后出现断崖的区域。

  • 最终相似度衡量：将上述四种衡量方式加权合并，得到最终相似度衡量数值

特征提取

利用预训练模型(AlexNet、VGG、GoogLeNet、ResNet等)对候选区域进行特征提取，候选区域提取的图像尺寸大小不一，当时特征提取的网络大多需要将输入图像的大小进行统一。

以AlexNet网络为例，输入图像大小为227*227，通过CNN对候选区域进行特征提取，2000个候选区域组成2000*4096特征矩阵。

特征提取阶段主要涉及以下几个步骤：

• 设计网络结构

网络结构可以有很多参照，例如AlexNet、VGG、GoogLeNet、ResNet等均可进行特征提取。

• 有监督训练

相比于随机的初始化网络参数，使用预训练模型可以更快的让模型收敛，取得更好的效果。

• fine-tune

为了使预训练模型更加适用于当前场景，需要对模型进行再训练，一般仅改变末基层网络参数或结构。

其中，特征提取需要注意以下几点：

• 全连接层的输入数据尺寸都是固定的，因此在进行特征提取前，需要将输入图像进行裁剪或形变转为固定尺寸

如何裁剪更合理？

论文中尝试了3种裁剪方式，图中A是我们的候选区域，1）将bounding box扩展为正方形，然后进行裁剪，如果延伸到了图片外，使用bounding box中的颜色均值进行替代，如B)所示；2）先将bounding box裁剪出来，然后用bounding box中的颜色均值填充为裁剪的大小，如C)所示；3）直接将原始图像形变为需要的形状，如D。

什么是预训练模型(pre-train)？

预训练模型是指在其他训练集上已经训练好的初始模型，可以将此类模型迁移到现有问题，公用层的参数保持与原本相同，仅对部分网络层进行微调，也就是fine-tune(在训练)

为什么不在fine-tune后进行softmax分类，反而又进行svm分类器训练？

先上结论，论文中也进行添加softmax尝试，发现效果要低于svm。cnn模型相对比较容易过拟合，训练时需要较多的样本，因此在cnn训练阶段，标注是相对宽松的，一个bounding box可能仅包含了物体的一部分，也会被当做正样本。但在SVM阶段，需要bounding box将整个物体都包含进来才算正样本，这样能训练的数据量就很少，而svm在小样本上训练效果还可以，所以最终分类效果更好一些。

目标分类

假设需要检测的类别有N个，则需要训练N个分类器(常见SVM等)，对每个图片中的候选区域的特征向量进行识别，假设有2000个候选区域，则产生[2000, N]的得分矩阵。

对2000*N的矩阵中每一列进行非极大值抑制(NMS)，剔除重叠建议框，得到该类中得分高相对较高的建议框。

NMS是如何工作的？

假设在识别动物任务中，一张图片中一个猫有5个矩形框，矩形框中是猫的概率从低到高是a、b、c、d、e。

• 将矩形框分别a、b、c、d与概率最大的e进行判断，计算IOU是否大于某个阈值

• 假设a、b分别与e的IOU值都大于阈值，则丢弃a、b，e成为第一个被保留的矩形框

• 从剩余的矩形框c、d中选择概率最大的d，计算c与d的IOU是否大于某个阈值，大于则保留d，丢弃c；小于则保留或丢弃c

• 按照上述步骤进行重叠建议框剔除

IOU的阈值如何确定？

论文中尝试了0~0.5，在0.3是效果更好一些，小于0.3被标记为负样本；不同数据集阈值大小并不固定，需要进行尝试。

目标定位

Bounding Box Regression（边框回归）：SelectiveSearch方法获得的区域相对粗略，使用回归模型对给定的区域结果进行预测得到一个更加准确的位置。

如图所示，黄色框是预测的Region Proposal，希望通过回归算法让黄色框更加接近真实的绿色框，即Ground Truth。

为什么回归可以用来目标定位？

当输入的Proposal和Ground Truth相差较小时（RCNN设置为IOU>0.6），认为此时是一种线性变换，此时可以用线性回归来对窗口进行微调，当IOU较小时，此时可能使用线性回归效果不理想。

RCNN存在一下问题：

• 候选区域的提取，需要较多的磁盘空间来计算与存储；

• 传统CNN等一些网络，要求输入图像尺寸统一，因此需要对输入图像做形变，可能会导致部分信息缺失

• 大量的ProposalRegion存在重叠部分，每个ProposalRegion都需要通过主干网络(CNN等)进行计算，因此有很多重复性的计算

• CNN网络、分类器、回归模型这三个流程，导致整体计算时间长、参数多等问题，训练流程不够迅捷。