R-CNN：Bounding-Box 回归

为什么要使用 Bounding-Box 回归 ？

使用 Bounding-Box 回归是 R-CNN 对目标准确定位的关键，能够通过微调的方式减小预测窗口与 Ground Truth 之间的误差。

如上图所示，红色框和绿色框分别表示检测目标的 Region Proposal 和真实的 Ground Truth，红色框虽然把目标识别为飞机，但与绿色框的重合度 IoU < 0.5，这张图还是相当于没有正确检测出飞机，此时就需要使用 Bounding-Box 回归对窗口进行微调，使得经过微调的窗口与 Ground Truth 更接近。

怎么进行微调?

主要就是对 Region Proposal 进行平移和缩放

1. 首先平移 ($\Delta x,\Delta y$)：$\Delta x=P_w{d}_x(P)，\Delta y=P_h{d}_y(P)$
   $$\begin{gathered} {\hat{G}}_x=P_x+\Delta x \\ {\hat{G}}_y=P_y+\Delta y \end{gathered}$$
2. 后做缩放 ($\Delta w,\Delta h$)：$\Delta w=e^{d_w(P)}，\Delta h=e^{d_h(P)}$
   $$\begin{gathered} {\hat{G}}_w=P_w\ast \Delta w \\ {\hat{G}}_h=P_h\ast \Delta h \end{gathered}$$

转化为一般式表示为：
$$\begin{gathered} {\hat{G}}_x=P_x+P_w{d}_x(P) \\ {\hat{G}}_y=P_y+P_h{d}_y(P) \\ {\hat{G}}_w=P_w\ast e^{d_w(P)} \\ {\hat{G}}_h=P_h\ast e^{d_h(P)} \end{gathered}$$

由上面的公式可以看出，我们需要学习的是 $d_x(P),d_y(P),d_w(P),d_h(P)$ 这四个变换，下一步就是设计算法得到这四个映射。当输入的 Region Proposal 与 Ground Truth 相差较小时(R-CNN 设置的是 IoU>0.6)，可以认为这种变换是一种线性变换，于是可以使用线性回归来建模对窗口进行微调。

注意：只有当 Region Proposal 和 Ground Truth 比较接近时（线性问题），我们才能将其作为训练样本训练我们的线性回归模型，否则会导致训练的回归模型不work（当Proposal 跟 GT 离得较远，就是复杂的非线性问题了，此时用线性回归建模显然不合理）

构建线性回归模型

输入：Region Proposal，$P=(P_x,P_y,P_w,P_h)$，但真正的输入是这个窗口对应的 CNN 特征，也就是 R-CNN 结构中 Pool5 层的 features，记为 ${\Phi }_5$

输出：$d_x(P),d_y(P),d_w(P),d_h(P)$

目标函数：$d_{\ast }(P)=w_{\ast }^T{\Phi }_5(P)$，$w_{\ast }$ 表示需要学习的参数，$d_{\ast }(P)$ 表示预测值

定义 $$\begin{gathered} t_x=\frac{(G_x-P_x)}{P_w} \\ {t}_y=\frac{(G_y-P_y)}{P_h} \\ {t}_w=log\frac{G_w}{P_w} \\ {t}_h=log\frac{G_h}{P_h} \end{gathered}$$
上面 $t_x,t_y,t_w,t_h$ 表示从 Region Proposal 到 Ground Truth 真正需要的平移量和缩放量，即目标值。

于是定义损失函数为：
$$Loss=\sum _{i=1}^N(t_{\ast }^i-{\hat{w}}_{\ast }^T{\Phi }_5(P^i){)}^2$$

函数优化目标为：
$$w_{\ast }=\underset{{\hat{w}}_{\ast }}{\mathrm{argmin}}\sum _{i=1}^N(t_{\ast }^i-{\hat{w}}_{\ast }^T{\Phi }_5(P^i){)}^2+\lambda ||{\hat{w}}_{\ast }|{|}^2$$

利用梯度下降法就能得到 $w_{\ast }$