计算机视觉-目标检测（一）：从 R-CNN 到 Faster R-CNN

1. 概要

目标检测的任务是检测图片中所有物体的类别标签 和 位置（最小外接矩阵/Bounding Box），如下图所示

目标检测与其他任务的区别如下图所示

目标检测模型进化过程如下

2. 区域卷积卷积神经网络R-CNN

论文来源：CVPR-2014
论文链接：Rich feature hierarchies for accurate object detection and semantic segmentation
代码链接：RCNN-PyTorch实现

2.1 模型结构

总体按分类问题对待，分为两个模块
（1）模块1：提取物体区域（Region Proposal）
不同位置、不同尺寸，数量很多
（2）模块2：对区域进行分类识别（Classification）
CNN 分类器，计算量大

传统方法与R-CNN比较如下

R-CNN总体流程如上图所示：

• 输入图片
• 通过Selective Search(SS) 方法抽取候选区域（数量很多，大概有2k个左右）
• 对候选区域进行warped，使得所有候选区域都变成相同大小
• 将warped候选区域送入CNN网络提取特征，并进行分类

2.2 Selective Search

使用Felzenszwalb and Huttenlocher[1]的方法产生图像初始区域，使用贪心算法对区域进行迭代分组，具体步骤如下

• 按照Felzenszwalb and Huttenlocher的方法产区域集R
• 计算区域集R里每个相邻区域的相似度 S = { s 1 , s 2 , . . . } S=\{s_1, s_2, ...\} S={s1​,s2​,...}
• 找出S中相似度最高的两个区域，将其合并为新集，并添加到R
• 从S 中移除所有与step3中有关的子集
• 计算新集与所有子集的相似度
• 跳转至step3，直至S为空

在合并时优先合并四种区域

• 颜色（颜色直方图）相近的
• 纹理（梯度直方图）相近的
• 合并后总面积小的
• 合并后总面积在其BBOX中所占比例大的

2.3 warp

warp的方式主要包括如下几种

• 在原始区域目标周围取一块区域进行等比缩放到CNN 需要的图片大小
• 去除原始目标区域然后对目标区域进行填充，再等比缩放到CNN所需的图片大小
• 直接将原始目标区域非等比缩放到CNN需要的图片大小

2.4 R-CNN训练

（1）CNN 模型微调

• 先在ImageNet上对CNN模型进行pre-train
• 在SS生成的所有区域上对模型进行fine tunne
  • Log Loss
  • softmax层改成(N+1) way
  • 正样本有N类：跟ground truth重合IoU>0.5
  • 负样本1类：IoU < 0.5

注意：$IoU=\frac{A\cap B}{A\cup B}$，即表示两个区域的重合度，如果IoU=1，表示两块区域完全重合

（2）训练分类部分
使用微调的CNN模型抽取候选区域特征，然后训练线性SVM分类器

• 每个物体类别对应一个SVM分类器（即SVM是一对多的分类器）
• 正样本：所有Groundtruth 区域
• 负样本：更ground truth区域重合IoU < 0.3 的SS区域，如下图所示负样本包括不包括目标物体的区域，或者包括其他物体的区域

（3）回归部分
回归器主要用于对selective search生成的候选框进行修正。如下图所示，黄色框口P表示建议框Region Proposal，绿色窗口G表示实际框Ground Truth，红色窗口$\hat{G}$ 表示Region Proposal进行回归修正后的预测窗口，现在的目标是找到P到$\hat{G}$的映射，使得$\hat{G}$与G越相近，这就相当于一个简单的最小二乘法解决的线性回归问题。

具体损失函数的定义如下：
定义 $P$ 窗口的数学表达式：$P^i=(P_x^i，P_y^i，P_w^i，P_h^i)$，其中$(P_x^i，P_y^i)$表示第一个$i$窗口的中心点坐标，$P_w^i$，$P_h^i$ 分别为第$i$个窗口的宽和高；

$G$ 窗口的数学表达式为：$G^i=(G_x^i，G_y^i，G_w^i，G_h^i)$；

$\hat{G}$ 窗口的数学表达式为：${\hat{G}}^i=({\hat{G}}_x^i，{\hat{G}}_y^i，{\hat{G}}_w^i，{\hat{G}}_h^i)$

则损失函数为：
$$\mathrm{Loss}=\mathrm{argmin}\sum _{\mathrm{i}=0}^{\mathrm{N}}{\left({\mathrm{t}}_{\ast }^{\mathrm{i}}-{\hat{\mathrm{w}}}_{\ast }^{\mathrm{T}}{\varphi }_5\left({\mathrm{P}}^{\mathrm{i}}\right)\right)}^2+\lambda {\Vert {\hat{\mathrm{w}}}_{\ast }\Vert }^2$$
其中 ${\varphi }_5(P^i)$ 表示目标 $P^i$ 在CNN网络Pool5层特征（注意：上一章节中训练分类器使用的是全连接层输出结果），$N$ 表示一共有N个bounding box（SS选出的BBOX中与Ground Truth的IoU>0.6的部分）； $t_{\ast }$ 分别表示表示$(t_x,t_y,t_h,t_w)$：
$$\begin{array}{c}{\mathrm{t}}_{\mathrm{x}}=\left({\mathrm{G}}_{\mathrm{x}}-{\mathrm{P}}_{\mathrm{x}}\right)/{\mathrm{P}}_{\mathrm{w}}\\ {\mathrm{t}}_{\mathrm{y}}=\left({\mathrm{G}}_{\mathrm{y}}-{\mathrm{P}}_{\mathrm{y}}\right)/{\mathrm{P}}_{\mathrm{h}}\\ {\mathrm{t}}_{\mathrm{w}}=\log \left({\mathrm{G}}_{\mathrm{w}}/{\mathrm{P}}_{\mathrm{w}}\right)\\ {\mathrm{t}}_{\mathrm{h}}=\log \left({\mathrm{G}}_{\mathrm{h}}/{\mathrm{P}}_{\mathrm{h}}\right)\end{array}$$
因此该损失函数的意思为：拟合SS预测的BBOX和人工标注的BBOX的误差，训练完通过误差修正SS预测的BBOX，预测阶段如下所示，其中${\mathrm{d}}_{\ast }(\mathrm{P})={\mathrm{w}}_{\ast }^{\mathrm{T}}{\varphi }_5(\mathrm{P})$，${\text{w}}_{\ast }^T$为训练阶段的参数
$$\begin{array}{c}{\hat{\mathrm{G}}}_{\mathrm{x}}={\mathrm{P}}_{\mathrm{w}}{\mathrm{d}}_{\mathrm{x}}(\mathrm{P})+{\mathrm{P}}_{\mathrm{x}}\\ {\hat{\mathrm{G}}}_{\mathrm{y}}={\mathrm{P}}_{\mathrm{h}}{\mathrm{d}}_{\mathrm{y}}(\mathrm{P})+{\mathrm{P}}_{\mathrm{y}}\\ {\hat{\mathrm{G}}}_{\mathrm{w}}={\mathrm{P}}_{\mathrm{w}}\exp \left({\mathrm{d}}_{\mathrm{w}}(\mathrm{P})\right)\\ {\hat{\mathrm{G}}}_{\mathrm{h}}={\mathrm{P}}_{\mathrm{h}}\exp \left({\mathrm{d}}_{\mathrm{h}}(\mathrm{P})\right)\end{array}$$
以下省去 $i$ 上标。$d_x$和 $d_y$ 通过平移对 $x$ 和 $y$ 进行变化 ， $d_w$和$d_h$通过缩放对$w$和$h$进行变化

2.5 R-CNN推理

• （1）使用Selective Search提取大约2000个BBOX/区域
• （2）将所有区域放大/缩小到 227*227
• （3）使用fine tunne过的AlexNet计算两套特征。对于每个类别：
  • （a）FC7特征 -> SVM分类器 -> 分类分值
  • （b）使用非极大值抑制NMS（IoU>=0.5）获取无冗余的区域子集
  • （c）Conv5特征 -> BBOX回归模型 -> BBOX误差 -> 修正BBOX

非极大值抑制的具体做法如下
SVM分类器的输出结果为的维度为[2000, 20]，即2000个框，每个框分成20类

① 对2000×20维矩阵中每列按从大到小进行排序；
② 从每列最大的得分建议框开始，分别与该列后面的得分建议框进行IoU计算，若IoU>阈值，则剔除得分较小的建议框，否则认为图像中存在多个同一类物体；
③ 从每列次大的得分建议框开始，重复步骤②；
④ 重复步骤③直到遍历完该列所有建议框；
⑤ 遍历完2000×20维矩阵所有列，即所有物体种类都做一遍非极大值抑制；
⑥ 最后剔除各个类别中剩余建议框得分少于该类别阈值的建议框

2.6 R-CNN性能评价

（1）平均精度（AP）: 针对某一类别，计算PR曲线下的面积，是precision对于recall的积分
（2）mAP：针对所有类别，计算AP的均值

2.7 R-CNN的缺点

（1）训练时间很长（84h）: Fine Tune(18h) + 特征提取(63h) + SVM/BBOX训练(3h)
（2）测试阶段很慢：VGG一张图片47s（每张图片的2000个都会计算CNN特征）
（3）复杂的多阶段训练：用于SVM，BBOX回归的特征需要存储到磁盘中，这将占用大量磁盘空间，此外特征提取也很慢

3. SPP-Net

3.1 SPP-Net对RCNN的改进

（1）直接输入整张图片，所有区域共享卷积计算（将CNN计算提前到SS之前，在Conv5输出上提取所有区域特征）
（2）引入空间金字塔结构（Spatial Pyramid Pooling），为不同尺寸的区域在Conv5输出上提取特征，将不同尺寸映射到尺寸固定的全连接层上

3.2 SPP-Net网络结构

具体结构如下图所示

（1）直接一整张图输入CNN网络，提取整个图片的特征，然后再根据region proposal的位置在整个feature map上截取出对应的feature，这样就避免了重复性用CNN对每个region proposal单独提取特征
（2）CNN网络的conv5层后加入了SPP layer，这样就可以不需要warp/crop region proposal了，因为SPP layer可以接受不同size的输入，并可以得到相同尺寸的输出

图片特征抽取
在SPP-net中，一整张图输入CNN网络中，然后经过5个卷积层得到整个图的feature map，然后从这整个feature map上截取出每个region proposal对应的feature。
如下图所示，在feature map中得到原图中蓝色的region对应的feature。定位一个矩形框，只要知道中心点的坐标和矩形框的宽高就可以。所以我们需要根据原图中的region proposal推导出对应的feature map的中心点和宽高。这就需要我们找到卷积网络中两个卷积层之间的映射关系：包括边的映射和点的映射。具体映射关系可以查看SPP-net

SPP层
CNN时需要输入固定size的图像，这主要是受CNN中的全连接层所限制。因为卷积层计算的方式类似于滑窗，因此对于不同size的输入，卷积层都可以正确计算。但是对于连接数固定的全连接层，例如4096*1000，那么这个全连接层的输入必须是4096维，否则就会出现错误。因此在训练CNN之前都需要先把图片resize到一个固定的尺寸，如3.1章节中图所示crop是从原图中裁剪出固定大小的图片，这样的方式会使得部分图像的信息丢失。warp是直接将图片resize到规定的大小，这样会导致图片发生形变。

在RCNN中通过selective search来提取出不同size的region proposal，然后对不同的region proposal提取出不同尺寸的feature map， 那这些feature map也要经过warp之后才输入之后的FC layer或SVM分类器，那这样或多或少会影响最后的检测结果。

在SPP-Net中增加了空间金字塔结构，如下图

具体来说就是把输入的feature map划分成不同尺度，比如图中(4, 4) (2, 2) (1, 1)三种不同的尺度，然后会产生不同的bin，比如分成(4, 4)就16个bin，然后在每个bin中使用max pooling，然后就变成固定长度为16的向量。如下图不同尺寸的输入，经过SPP层之后都得到了相同的长度的向量，之后再输入FC layer。所以，使用SPP Layer之后，不同size的输入就可以输出相同的size

3.3 SPP-Net训练过程

（1）在ImageNet上对CNN模型进行pretrain
（2）计算所有SS的候选区域的的spp特征
（3）使用SPP特征fine tunne后面的全连接层fc6, fc7, fc8
（4）取fc7层特征训练svm分类器
（5）使用SPP特征训练BBOX回归器

与RCNN区别：

• fine tunne的时候只能fine tunne全连接层（感受野太大，fine tunne CNN困难）

3.4 SPP-Net的问题

（1）需要存储大量的特征
（2）复杂的多阶段训练
（3）训练时间仍然长（25.5h）: fine tune(16h)+特征提取(5.5h)+SVM/BBOX训练(4h)
（4）SPP层之前的所有卷积层参数无法fine tune

4. Fast R-CNN

4.1 Fast R-CNN改进点

（1）比R-CNN, SPP-Net 更快的训练/测试速度
（2）更高的精度mAP
（3）实现端到端的单阶段训练（多任务损失函数）
（4）所有层参数都能fine tune
（5）不需要理想存储特征文件

综合来说，Fast R-CNN在SPP-Net上引入2个新技术

• 感兴趣区域池化层(RoI Pooling Layer)
• 多任务损失函数(Multi task Loss)

如下图所示

4.2 Fast R-CNN网络结构

RoI Pooling
下图展示RoI pooling和 SPP Pooling层的区别
ROI Pooling 是 SPP Pooling的单层特例，具体来说将CNN网络输出的图片特征只进行一次7*7的分割，然后将每个Bin中的所有特征做Max Pooling。
好处是输入特征尺寸不同，但输出尺寸都相同

在反向传播时，重叠的ROI区域如何处理？
多个区域的偏导之和

多任务损失
总体损失为分类器损失+回归损失
分类器损失为使用softmax得到每个类别的概率后，取负对数
而回归损失基本原理与SPP-Net一致，拟合误差，但是采用了smopth L1损失，如下图所示，防止两个预测BOX与Ground Truth相差太大造成影响（$|x|<1$ 部分）

4.3 训练

（1）在pretrain模型上做fine tunne

（2）采用了 mini batch sampling抽样的trick，具体做法为：
分层抽样法：每个batch大小为128(候选框的数量)=每个batch图片数量为2 * 每个图片的ROI数量64

ROI分类：基于RoI与Ground Truth重叠

• 包含物体的RoI占25%(IoU>=0.5)
• 背景占75%：IoU在[0.1, 0.5)

（3）采用SVD分解加速运算
由于要处理的RoI数量比较多，几乎一半的前向计算时间都被用于全链接层。就Fast R-CNN来说，RoI池化层后的全链接层需要进行约2k次计算，因此Fast R-CNN采用了SVD分解加速全连接层的计算
具体来说如下图所示，将两个矩阵相乘，分解成三个矩阵相乘，由于右边的中间层很小，所以总的参数量会比左边的计算小

5. Faster R-CNN

使用region proposal network(RPN)网络代替离线selective search模块，即Faster R-CNN = Fast R-CNN + RPN；基于attention机制引导Fast R-CNN关注区域，Region Proposal 量少（约300个）质高

5.1 Region Proposal Network（RPN）

RPN网络结构如下图所示

（1）输入图片的Conv5特征输入到RPN网络中，首先进行33 256-d卷积层 + RELU
（2）进行11， 4k-d卷积层，输出k组proposal的偏差(r, c, w, h)
（3）进行1*1， 2k-d卷积层，输出k组得分（包含目标和不包含目标）

k默认为9，是指预定义的9种大小的候选框（anchor）；包含三种尺度scale (128, 256, 512)和三种宽高比（1：1， 1：2， 2：1）。Conv5特征图上每个点都有k个anchor，所以anchor的总量为W*H*k

RPN网络损失函数
总体损失函数如下所示
L ( { p i } , { t i } ) = 1 N c l s ∑ i L c l s ( P i , i i ∗ ) + λ 1 N r e g ∑ i p i ∗ L r e g ( t i , t i ∗ ) L\left(\left\{p_i\right\},\left\{t_i\right\}\right)=\frac{1}{N_{c l s}} \sum_i L_{c l s}\left(P_i, i_i^*\right)+\lambda \frac{1}{N_{r e g}} \sum_i p_i^* L_{r e g}\left(t_i, t_i^*\right) L({pi​},{ti​})=Ncls​1​i∑​Lcls​(Pi​,ii∗​)+λNreg​1​i∑​pi∗​Lreg​(ti​,ti∗​)
分为两部分：

• 分类损失$L_{cls}$覆盖两类：框种存在目标，框中不存在目标
• 回归损失$L_{reg}$，与Fast RCNN基本一致，使用sooth L1，拟合候选框的偏差
  
  同时在训练样本中也存在采样，保证正负样本的分布均衡。对于每一张图片，包含128个正样本：与groundth的IoU > 0.7的anchor（或若都小于0.7则取最大Iou）；128个负样本：IoU<0.3的anchor框

5.2 Faster R-CNN训练过程

（1）训练RPN网络：通过ImageNet上预训练的模型参数初始化卷积层
（2）训练Fast R-CNN网络（除了RPN以外其他部分）：卷积层由ImageNet上预训练的模型参数初始化；Region Proposal由step1RPN生成
（3）调优RPN：使用step2的参数初始化卷积层，然后固定卷积层，finetunne剩余层
（4）调优Fast R-CNN：固定卷积层，fine tune剩余层，Region Prosals由step3的RPN生成

6. 总结

从SPP-Net到Fast R-CNN是一个巨大的进步，从分别训练分类器和回归器的多任务，到分类器回归器合二为一一起训练

R-CNN 和 SPP-Net对比

SPP-Net和Fast R-CNN对比

Fast R-CNN 和 Faster R-CNN 对比

参考

[1] Felzenszwalb P F, Huttenlocher D P. Efficient Graph-Based Image Segmentation[J]. International Journal of Computer Vision, 2004, 59(2):167-181.
[2]. 知乎-SPP-net
[3]. R-CNN论文详解
[4]. 一文读懂Faster RCNN
[5]. b站-计算机视觉零基础入门