目标检测：RCNN、SppNet、Fast RCNN、Faster RCNN是如何过渡的？

R-CNN

候选框生成

本文采用Selective Search方法来提取候选框，每一张图片提取2000-3000个候选框，提取流程如下：

1. 根据图像像素聚类，产生初始分割区域。
2. 根据纹理、纹理大小、形状、相似度进行加权合并。
3. 重复上述操作，产生2000-3000个候选框。

上述方法产生的候选框宽高不一，但是后续提取特征用到的CNN需要固定宽高，作者对图像resize到227*227。
因为直接resize这种做法会让图像失真，作者采用各向异性缩放+16padding的方式。

Training

迁移学习

由于当时的目标检测数据集规模有限，于是先用了ILSVRC2012这个训练数据库（这是一个图片分类训练数据库），先进行网络图片分类训练。这个数据库有大量的标注数据，共包含了1000种类别物体，因此预训练阶段CNN模型的输出是1000个神经元，这样就可以通过图像分类数据集获得一定先验知识，然后把全连接层1000个神经元换成21个神经元（20个类别+背景），随机初始化新的Linear权重，固定卷积层的权重，调小学习率在目标检测数据集上拟合新的全连接层的权重。

分类与回归候选框

在这里把候选框与真实框计算IOU，如果IOU>0.5则被认为是正类，反之认为是负类（背景类），用来训练全连接层权重，收敛后，把4096维的特征拿出来，放入SVM模型进行分类。
用SVM的原因是，利用CNN训练需要大量的数据，否则会过拟合，而SVM则不需要大量的数据，在训练SVM的时候把IOU>0.7才标注为正类，这样会增大map。
回归

R-CNN存在的问题

1. 训练时间长：主要原因是分阶段多次训练，而且对于每个region proposal都要单独计算一次feature map，导致整体的时间变长。
2. 占用空间大：每个region proposal的feature map都要写入硬盘中保存，以供后续的步骤使用。
3. multi-stage：文章中提出的模型包括多个模块，每个模块都是相互独立的，训练也是分开的。这会导致精度不高，因为整体没有一个训练联动性，都是不共享分割训练的，自然最重要的CNN特征提取也不会做的太好。
4. 测试时间长，由于不共享计算，所以对于test image，也要为每个proposal单独计算一次feature map，因此测试时间也很长。

SppNet

面临的问题

1. 速度：由于RCNN需要对一张图片产生2000个候选区域分别采用cnn提取特征，大大增加了速度。
2. 性能：由于全连接网络的限制，Selective Search 产生的候选框需要固定尺寸（227 * 227），会给图像造成不规则变形，这也会造成性能的损失。

空间金字塔池化

为了解决性能问题，作者的想法是让图片经过卷积层后，在卷积层与全连接层的中间加上一层可以特殊的网络结构，无论卷积层输出多大的feature map，都可以输出固定的向量，这样就可以解决全连接层的限制，也就结解决了需要对候选框resize造成图像失真的问题。

上面的特殊的网络层就叫做空间金字塔池化，是指把卷积层输出的featuremap的HW分别平均分成 16份、4份、1份，然后每一份做maxpooling，假设channel是3，那么无论输入多大，输出都是（16+4+1）*3。
假设 hw为 13 * 13 ，把它分成四份，那么kernel_size 与 stride 就是动态变化的，计算方式如下：

特征图映射

为了解决速度问题，由于rcnn需要对每一张图片产生的所有候选框分别提取特征，但这实质其实是对同一张图片的不同部分做提取，如果我们可以直接对cnn提取整张图像的feature map，然后根据候选框的在原图中的相对位置找到对应的整张feature map中候选框的feature map的相对位置，这样每张图像就只需要提取一次cnn的操作，然后根据映射找到候选框feature对于整张图像的feature 相对位置，也就找到了候选框的feature。

映射细节

SppNet存在的问题

和RCNN一样，SPP也需要训练CNN提取特征，然后训练SVM分类这些特征。需要巨大的存储空间，并且分开训练也很复杂。而且selective search的方法提取特征是在CPU上进行的，相对于GPU来说还是比较慢的。针对这些问题的改进，我们将在Fast RCNN以及Faster RCNN中介绍。

Fast R-CNN

R-CNN与SppNet存在的问题

1. 训练过程是多级pipeline。R-CNN首先使用目标候选框对卷积神经网络使用log损失进行fine-tunes。然后，它将卷积神经网络得到的特征送入SVM。这些SVM作为目标检测器，替代通过fine-tunes学习的softmax分类器。在第三个训练阶段，学习bounding-box回归器。

2. 训练在时间和空间上是的开销很大。对于SVM和bounding-box回归训练，从每个图像中的每个目标候选框提取特征，并写入磁盘。对于VOC07 trainval上的5k个图像，使用如VGG16非常深的网络时，这个过程在单个GPU上需要2.5天。这些特征需要数百GB的存储空间。

3. 目标检测速度很慢。在测试时，从每个测试图像中的每个目标候选框提取特征。用VGG16网络检测目标时，每个图像需要47秒（在GPU上）。

核心思想

模型流程

输入一张图片，通过 selective search方法提取 roi区域，通过cnn提取这样图像的特征，根据原图候选框的相对位置映射到feature map，通过roi pooling 固定输出，通过全连接层，并行的执行分类与回归。

ROI Pooling

ROI Pooling可以看作 SppNet 的 spatial pyramid pooling 的特殊情况，sppnet对feature map 分成多个尺度，roi pooling只分成一个尺度。
roi的好处：有一种解释是空间金字塔池化不可导，不能进行反向传播，roi pooing则可以。

多任务损失的单阶段训练

损失函数的定义是将分类的loss和回归的loss整合在一起，其中分类采用log loss，即对真实分类（下图中的pu）的概率取负log，而回归的loss和R-CNN基本一样。分类层输出K+1维，表示K个类和1个背景类。

其中 p u 为标签的类别与预测的类别，采用交叉熵损失， lambda 为常数，为了平衡损失，防止某个损失过大，当u =1 时，说明不是背景类，可以回归精修候选框，反之则不计算回归损失，这样就可以共同

端到端训练

采样策略

在sppnet中，一个batch有很多张图像，一张图像又采集了很多张候选框，由于当时的显存也不大，这导致很难进行反向传播，在 fast rcnn中每次只拿出两个图片，每张图像生成64个候选区域，也就是大概一个batch 128，IOU正负样本策略与RCNN基本一致。

Fast R-CNN存在的问题

Fast RCNN的主要缺点在于region proposal的提取使用selective search，目标检测时间大多消耗在这上面（提region proposal 2~3s，而提特征分类只需0.32s），这也是后续Faster RCNN的改进方向之一。

Faster R-CNN

面临的问题

在当时，Fast RCNN已经获得了较大的突破，但是仍然存在一些问题，fast rcnn的提取候选框的方法 selective search 不能GPU并行计算，速度还是有很大的提升空间，作者的想法是能不能提取一次图像的特征后，即利用了GPU的并行资源，还实现了提取特征与提取候选框这两个功能。

RPN网络

网络细节

当卷积层提取到feature map后 ，在卷积层后利用一个3 * 3 的卷积核提取每个feature map点的特征（这个卷积核与之前的不太一样），根据 卷积核扫描图像对应区域的中点，按照1 ：1 1:2 2:1 三个 hw比和三个尺寸生成9个 anchors，一共会生成 h * w * 9个候选框，3 * 3的卷积过后接一个全连接层，然后输出 9个值，代表是否为正类的概率（是否包含物体），同时 ，输出 4 * 9的值用来回归精修anchor。
假设我的 原图经过卷积层提取特征后输出 5 * 5 * 256 的feature map， 然后 输入到 3 * 3 特殊的卷积，这个卷积核每划动一下，他在这个feature 的作用区域 就是 3 * 3 256 ，对每个channel执行卷积操作后得到 1 1 *256的feature map，然后不进行相加操作，直接对这个 feature map后接全连接层 分类+回归，然后每划动一次都执行上述操作，生成候选框。

RPN Trianing Method

打标签

上面说了如何前想计算，接下来说如何打标签，利用生成的anchor 对每张图像标记好的真实标签计算IOU，如果一个anchor与这张图像的任意一个anchor最近，那么直接标注为正类，如果与标签的IOU大于0.7也标记为正类，如果小于0.3就标记为负类，其余的直接忽略不计。

损失函数

它的损失函数与 fast rcnn基本一致，只是分类阶段换成了两类（是否为正类）。

四步交替训练

1. 先训练 RPN网络。
2. 把训练好的RPN网络生成的anchor给fast rcnn，训练fast rcnn。
3. 把fast rcnn 训练好的 cnn权重同步给 RPN，锁定这个权重，fine-tune其它层。
4. 把训练好的RPN网络生成的anchor送到fast rcnn，其中也是锁定conv权重，fine-tune，训练好后合并两个模型形成faster rcnn。

Q&A

如果 3 *3的卷积核在图像边界，那么生成的anchor可能会超过原图边界，这种anchor直接丢弃。
通过rpn网络生成的候选框，由于重合部分较大，最后也会执行一次nms去重，或者按照分类得分进行排序筛选。