目标检测：R-CNN

最新推荐文章于 2024-09-10 11:28:30 发布

那年聪聪

最新推荐文章于 2024-09-10 11:28:30 发布

阅读量804

点赞数

分类专栏：深度学习与神经网络文章标签：目标检测

本文链接：https://blog.csdn.net/duan19920101/article/details/104175083

版权

深度学习与神经网络专栏收录该内容

39 篇文章 12 订阅

订阅专栏

R-CNN：Region-CNN，是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN)，线性回归，和支持向量机(SVM)等算法，实现目标检测技术。

创新点：将CNN用作目标检测的特征提取器、有监督预训练的方式初始化CNN、在CNN特征上做BoundingBox 回归。

目标检测区别于目标识别很重要的一点是其需要目标的具体位置，也就是BoundingBox。而产生BoundingBox最简单的方法就是滑窗，可以在卷积特征上滑窗。但是我们知道CNN是一个层次的结构，随着网络层数的加深，卷积特征的步伐及感受野也越来越大。例如AlexNet的Pool5层感受野为195*195，feature map大小为32*32，显然这种感受野是不足以进行目标定位的。使用浅层的神经网络能够保留这种空间结构，但是特征提取的性能就会大打折扣。RCNN另辟蹊径，既然我们无法使用卷积特征滑窗，那我们通过Region Proposals(区域建议)方法产生一系列的区域，然后直接使用CNN去分类这些区域是目标还是背景不就可以吗？当然这样做也会面临很多的问题，不过这个思路正是RCNN的核心。因此RCNN全称为Regions with CNN features。

RCNN算法分为4个步骤：

候选区域生成：一张图像生成1K~2K个候选区域（采用Selective Search 方法）；

特征提取：将每个候选区域缩放至相同大小，使用CNN提取特征；

类别判断：特征送入每一类的SVM 分类器，判别是否属于该类，分类后使用NMS算法减少检测结果的个数；

位置精修：使用回归器精细修正候选框位置。

整体结构

RCNN的输入为完整图片，首先通过区域建议算法产生一系列的候选目标区域，其中使用的区域建议算法为Selective Search，具体可以参照：目标检测（1）-Selective Search - 知乎专栏。然后对于这些目标区域候选提取其CNN特征，并训练SVM分类这些特征。最后为了提高定位的准确性在SVM分类后区域基础上进行BoundingBox回归。

1、产生目标区域候选

这部分其实就是直接使用Selective Search，选择2K个置信度最高的区域作为候选区域。

正负样本的选择：如果用selective search挑选出来的候选框与物体的人工标注矩形框的重叠区域IoU大于0.5，那么我们就把这个候选框标注成物体类别（正样本），否则我们就把它当做背景类别（负样本）。该方法在目标检测领域几乎是通用的。

2、CNN目标特征提取

RCNN使用的是AlexNet，可以参见我们的相关文章：卷积神经网络模型（2）-AlexNet解读 - 知乎专栏，由于CNN的参数量巨大，训练CNN需要大量的样本，此前的方法是大家先用无监督的预训练初始化CNN的参数，然后再在样本集上使用监督的训练方法。不同于这些方法，RCNN使用ImageNet的有标签数据进行有监督的预训练，然后再在本数据集上微调最后一层全连接层。直到现在，这种方法已经成为CNN初始化的标准化方法。但是训练CNN的样本量还是不能少的，因此RCNN将正样本定义的很宽松，为了尽可能获取最多的正样本，RCNN将IOU>0.5（IoU 指重叠程度，计算公式为：A∩B/A∪B）的样本都称为正样本。每次迭代批大小为128，其中正样本个数为32，负样本为96.其实这种设置是偏向于正样本的，因为正样本的数量实在是太少了。由于CNN需要固定大小的输入，因此对于每一个区域候选，首先将其放缩至227*227，然后通过CNN提取特征。

· CNN特征层选取（选择最后一个全连接层作为特征提取层）

现在CNN已经能够提取到目标的特征了，但是CNN的层数很多，选择哪一层作为特征提取层呢？RCNN进行了宽泛的实验，最终选择的fc层。

对比Pool5层以及FC层，可以看出fc层相对的MAP要高很多，尤其是经过预训练后的网络。一方面原因是Pool5层的特征尺寸比较大，另一方面是全连接层特征更加符合类别信息。但是选用Fc6还是Fc7呢差距还是不明显的。其中R-CNN FT fc7 BB取得了最高的MAP，数据是在经过微调的RCNN上取得Fc7层特征，然后训练SVM，并通过BoundingBox回归得到的最终结果。

3、目标种类分类器(使用SVM作为目标种类分类器)

在通过CNN提取区域候选的特征后，RCNN对于每个种类训练SVM用以分类这些特征具体属于哪个种类。但是这里面的样本和CNN中的样本也是不一样的，因为CNN需要大量的样本去驱动特征提取，因此正样本的阈值比较低。而SVM适合小样本的分类，通过反复的实验，RCNN的SVM训练将ground truth样本作为正样本，而IOU<0.3的样本作为负样本，这样也是SVM困难样本挖掘的方法。

4、贪婪非极大值抑制（NMS）

由于有多达2K个区域候选，我们如何筛选得到最后的区域呢？RCNN使用贪婪非极大值抑制的方法，假设ABCDEF五个区域候选，首先根据概率从大到小排列。假设为FABCDE。然后从最大的F开始，计算F与ABCDE是否IoU是否超过某个阈值，如果超过则将ABC舍弃。然后再从D开始，直到集合为空。而这个阈值是筛选得到的，通过这种处理之后一般只会剩下几个区域候选了。

5、BoundingBox回归

为了进一步提高定位的准确率，RCNN在贪婪非极大值抑制后进行BoundingBox回归，进一步微调BoundingBox的位置。不同于DPM的BoundingBox回归，RCNN是在Pool5层进行的回归。而BoundingBox是类别相关的，也就是不同类的BoundingBox回归的参数是不同的。

注：使用每个proposal的最后的卷积的输出Pool5作为特征，训练了线性回归模型，用来预测新的窗口的位置。

例如我们的区域候选给出的区域位置，也就是区域的中心点坐标以及宽度和高度：

我们要做的就是找到一个映射把他转换到真实的位置：

那我们就要定义一些转换的参数：

这些就是我们需要的参数，我们想得到关于尺寸无关的X,Y偏移量，以及尺度变化信息。如果求解到了这四个参数，我们就能成功的映射到真是目标位置了。

RCNN选用的特征是Pool5层特征，然后假设每个偏移量是Pool5特征的一个线性映射，也就是：

然后我们要求解这个W就可以了，RCNN使用的是L2范数的最小均方误差，也就是下面这个式子，T就是我们的目标，根据我们上面的GP的公式可以很容易得到T的表达式，也就是最后这个式子：

这就是个规则的最小均方误差的问题了，很容易求解，比如BP算法。需要注意的一点就是在对于训练样本的选择上，我们做的只是微调，因此不能选择目标框与真实位置相差较大的情况。

为什么不直接使用Fc8的结果作为贪婪极大值抑制的输入而是重新训练很多的SVM呢？

使用SVM相当于先将所有的检测结果筛选一遍。作者有去尝试使用Fc8结果作为输入，但是发现精度大约下降了4%，产生这种情况的原因是我们CNN的图片正样本定义为IOU>0.5，这是个很宽松的条件，导致CNN并不能定位到很精确的位置。那能不能将IOU设置的高一点呢？答案是否定的，因为CNN需要大量的样本，当正样本设置为真时BoundingBox效果很差，而IOU>0.5相当于30倍的扩充了样本数量。而我们将CNN结果作为一个初选，然后用困难负样本挖掘的SVM作为第二次筛选就好多了。

在什么时候训练SVM分类器，训练多少个分类器，用哪些样本训练呢？

在最后一个全连接层（fc7层）之后来训练SVM分类器，选择那些判定为本类的候选框中和真值重叠面积大于0.6的候选框作为正样本，重叠度小于0.3的候选框，我们就把它标注为负样本；

对每个类别都会训练一个SVM分类器，即二分类任务，SVM的输出为待分类的目标类和其它类+背景。