R-CNN文章详细解读

这是13年的文章《Rich feature hierarchies for accurate object detection and semantic segmentation》,网上虽然很多文章写过,但是有些很乱,有些不详细,自己也花了不少时间看原文和各种博客,想写篇详细的自己记录下并分享出来。

先介绍几个物体检测的相关知识

不同于分类问题,物体检测可能会存在多个检测目标,这不仅需要我们判别出各个物体的类别,而且还要准确定位出物体的位置

下面图片上有猫,有狗,还有小黄鸭,这是多物体检测:
这里写图片描述

物体检测算法常用到的概念

下面我们讲解一下在物体检测算法中常用到的几个概念:Bbox,IoU,非极大值抑制。

Bounding Box(bbox)

bbox是包含物体的最小矩形,该物体应在最小矩形内部,如上图红色框蓝色框和绿色框。

物体检测中关于物体位置的信息输出是一组(x,y,w,h)数据,其中x,y代表着bbox的左上角(或者其他固定点,可自定义),对应的w,h表示bbox的宽和高.一组(x,y,w,h)可以唯一的确定一个定位框。

Intersection over Union(IoU)

对于两个区域R和R′,则两个区域的重叠程度overlap计算如下:
O(R,R′)=|R∩R′|/|R∪R′|

在这里插入图片描述

在训练网络的时候,我们常依据侯选区域和标定区域的IoU值来确定正负样本。

非极大值抑制(Non-Maximum Suppression又称NMS)
非极大值抑制(NMS)可以看做是局部最大值的搜索问题,NMS是许多计算机视觉算法的部分。如何设计高效的NMS算法对许多应用是十分关键的,例如视频跟踪、数据挖掘、3D重建、物体识别以及纹理分析等。

这里我们主要针对非极大值抑制在物体检测上的应用,非极大值抑制就是把不是极大值的抑制掉,在物体检测上,就是对一个目标有多个标定框,使用极大值抑制算法滤掉多余的标定框。

下图一个小猫有多个红框标定:
在这里插入图片描述
使用非极大值抑制算法后:
在这里插入图片描述

介绍完上面的一些基础知识后开始正式介绍R-CNN

下图标为slow R-CNN是因为这图是介绍fast rcnn的ppt,所以最初的R-CNN叫作slow R-CNN
这里写图片描述

这里写图片描述
如上图所示,R-CNN这个物体检查系统可以大致分为四步进行:
1.获取输入图像
2.提取约2000个候选区域
3.将候选区域分别输入CNN网络(这里需要将候选图片进行缩放)
4.将CNN的输出输入SVM中进行类别的判定

上述四个步骤是一个大致的过程,而且是一个检测的过程,实际上训练过程比较麻烦,下面开始详细介绍。

一、候选区域的提取

这部分有很多传统的方法可以选择,本文为了和之前的物体检测算法进行对比,选择了selective search方法

二、缩放候选区域

因为CNN对输入图像的大小有限制,所以在将候选区域输入CNN网络之前,要将候选区域进行固定尺寸的缩放。
缩放分为两大类(该部分在原文附录A):

1)各向同性缩放,长宽放缩相同的倍数

  • tightest square with context:
    把region proposal的边界进行扩展延伸成正方形,灰色部分用原始图片中的相应像素填补,如下图(B)所示
  • tightest square without context:
    把region proposal的边界进行扩展延伸成正方形,灰色部分不填补,如下图©所示

2)各向异性缩放, 长宽放缩的倍数不同
不管图片是否扭曲,长宽缩放的比例可能不一样,直接将长宽缩放到227*227,如下图(D)所示

这里写图片描述

在放缩之前,作者考虑,在region proposal周围补额外的原始图片像素(pad p)。上图中,第一层p=0,第二层p=16。

最后试验发现,采用各向异性缩放并且p=16的时候效果最好。

三、测试方法

测试时其实分两个结果
1.分类
在测试的时候,先对带检测图像提取出约2000个候选区域,将每个区域都进行缩放,然后将缩放后的图片输入CNN进行特征提取,对CNN输出的特征用SVM进行打分(每类都有一个SVM,21类就有21个SVM分类器),对打好分的区域使用NMS即非极大抑制(每类都单独使用)。

这里SVM怎么打分的这些细节没有细讲,只是简单的说检测的时候使用20004096维度的特征矩阵与4096N的SVM参数矩阵相乘(N为所要分的类别数),我也没看过原码,所以也不太清楚,知道的可以讨论一下。

到这里分类就完成了,但是得到的位置只是候选区在图像中的位置,而候选区的位置并不一定就是ground truth,即检测目标的真实位置。

2.定位(回归)
将CNN对候选区域提取出的特征输入训练好的线形回归器中,得到更为精确的位置定位,具体情况会在下面训练方法中详细介绍。但要明确的是,这些回归器是按照类来训练的,即每类分类完后进行回归。

四、训练方法

1.预训练
训练的时候,文章用了个trick,他先用ILSVRC2012数据库训练Alexnet,训练的时候目标时图片分类,因为ILSVRC2012数据库没有bbox的标定数据。这步称为预训练。

2.fine-tuning
这种方法也是当数据量不够的时候,常用的一种训练方式,即先用别的数据库训练网络,然后再用自己的数据库微调训练(fine-tuning)。微调期间,定义与ground truth的IoU大于0.5的候选区域为正样本,其余的为负样本。
这里训练时,网络输出要有所改变,因为分类问题,网络输出为N+1,其中N为正样本的类别数,1为背景。
对于VOC,N=20,对于ILSVRC2013, N=200。

3.目标分类
因为最终目标分类是通过SVM进行分类的,而不是通过网络框架中的softmax分类的。

下面先说一下在SVM的训练中,正负样本的定义,为什么这样定义,然后再说一下为什么不直接用softmax输出的结果而是再训练SVM来进行分类的。

1)SVM正负样本的定义,为什么fine-tuning与SVM正负样本定义不一样?
在训练SVM时,正样本为groundtruth,负样本定义为与ground truth的IoU小于0.3的候选区域为负样本,介于0.3与0.7之间的样本忽略。
fine-tuning时担心过拟合的原因,要扩大正样本的样本量,所以定义比较宽松,但是SVM是最终用于分类的分类器,而且SVM原理就是最小的距离最大化,越难分的数据越有利于SVM的训练,所以对样本的定义比较严格。

2)为什么不直接用softmax的输出结果?
因为在训练softmax的时候数据本来就不是很准确,而SVM的训练使用的是hard negative也就是样本比较严格,所以SVM效果会更好。

4.回归器训练
回归器是线性的,输入为Alexnet pool5的输出。
bbox回归认为候选区域和ground-truth之间是线性关系(因为在最后从SVM内确定出来的区域比较接近ground-truth,这里近似认为可以线性关系)

训练回归器的输入为N对值, { ( P i , G i ) } i = 1 , 2 , . . . , N \{(P^i, G^i)\}_{i=1,2,...,N} {(Pi,Gi)}i=1,2,...,N,分别为候选区域的框坐标和真实的框坐标,下面在不必要时省略i。这里选用的Proposal必须和Ground Truth的IoU>0.6才算是正样本.

从候选框P到预测框 G ^ \hat{G} G^的基本思路如下:

因为我们在分类之后得到候选框P ( P x , P y , P w , P h ) (P_{x}, P_{y}, P_{w}, P_{h}) (Px,Py,Pw,Ph),其中 P x P_{x} Px P y P_{y} Py为候选框的中心点, P w P_{w} Pw P h P_{h} Ph为候选框的宽高,下面介绍中所有框的定位都用这种定义,即x和y表示中心点坐标,w和h表示框的宽高。知道候选框的表示,那么只要估计出出候选框与真实框的平移量和尺度缩放比例,就可以得到我们的估计框了

1)先求平移量(Δx,Δy)

Δx= P w d x ( P ) P_{w}d_{x}(P) Pwdx(P) , Δy= P h d y ( P ) P_{h}d_{y}(P) Phdy(P)

即R-CNN论文里面的:
G x ^ = P w d x ( P ) + P x \hat{G_{x}}=P_{w}d_{x}(P)+P_{x} Gx^=Pwdx(P)+Px, G y ^ = P w d y ( P ) + P y \hat{G_{y}}=P_{w}d_{y}(P)+P_{y} Gy^=Pwdy(P)+Py

2)算尺度放缩量 ( S w , S h ) (S_{w},S_{h}) (Sw,Sh)
S w = P w d w ( P ) , S h = P h d h ( P ) S_{w}=P_{w}d_{w}(P), S_{h}=P_{h}d_{h}(P) Sw=Pwdw(P),Sh=Phdh(P)
G w ^ = P w e x p ( d w ( P ) ) , G h ^ = P h e x p ( d h ( P ) ) \hat{G_{w}}=P_{w}exp(d_{w}(P)), \hat{G_{h}}=P_{h}exp(d_{h}(P)) Gw^=Pwexp(dw(P)),Gh^=Phexp(dh(P))

我们要学习的是 d x ( P ) , d y ( P ) , d w ( P ) , d h ( P ) d_{x}(P),d_{y}(P),d_{w}(P),d_{h}(P) dx(P),dy(P),dw(P),dh(P)这四个变换,就可以得到估计框了。

这四个变换可以用下列公式表示:
d ∗ ( P ) = w ∗ T Φ 5 ( P ) d_{*}(P) = w^{T}_{*}\Phi_{5}(P) d(P)=wTΦ5(P)
上式中 Φ 5 ( P ) \Phi_{5}(P) Φ5(P)为Alexnet pool5输出的特征,所以要求 d x ( P ) , d y ( P ) , d w ( P ) , d h ( P ) d_{x}(P),d_{y}(P),d_{w}(P),d_{h}(P) dx(P),dy(P),dw(P),dh(P)这四个变换,只需求出 w ∗ T w^{T}_{*} wT即可。

该回归器的损失函数为:
w ∗ = arg ⁡ min ⁡ w ^ ∗ ∑ i n ( t ∗ i − w ^ ∗ T Φ 5 ( P i ) ) 2 + λ ∥ w ^ ∗ ∥ 2 w_{*}=\mathop{\arg\min}_{\hat{w}_{*}}\sum_{i}^{n}(t^{i}_{*}-\hat{w}^{T}_{*}\Phi_{5}(P^{i}))^2+\lambda\|\hat{w}_{*}\|^2 w=argminw^in(tiw^TΦ5(Pi))2+λw^2
上式中的 t ∗ i t^{i}_{*} ti可以通过如下公式求出:
t x = ( G x − P x ) / P w t_{x}=(G_{x} - P_{x})/P_{w} tx=(GxPx)/Pw
t y = ( G y − P y ) / P h t_{y}=(G_{y} - P_{y})/P_{h} ty=(GyPy)/Ph
t w = l o g ( G w / P w ) t_{w}=log(G_{w}/P_{w}) tw=log(Gw/Pw)
t h = l o g ( G h / P h ) t_{h}=log(G_{h}/P_{h}) th=log(Gh/Ph)
所以通过输入的特征值训练,从而求出 w ^ ∗ \hat{w}_{*} w^,就可以得到回归器

参考
1.http://www.robots.ox.ac.uk/~tvg/publications/talks/fast-rcnn-slides.pdf
2.https://blog.csdn.net/u011974639/article/details/78053203
3.https://blog.csdn.net/qq_17448289/article/details/52871461
4.https://blog.csdn.net/poorfriend/article/details/51604385

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值