目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 之 RCNN

这篇文章的内容总结翻译自 A Step-by-Step Introduction to the Basic Object Detection Algorithms (Part 1) ，文中有加入自己的理解。

当你想要在杂乱的桌子上面寻找钥匙的时候，是不是有想过要是有种东西可以直接告诉我钥匙放在哪里就好了？如果一个算法可以在几毫秒之内就帮我们找到钥匙，那就好了。

目标检测算法就像这样的一个「超人」。目标检测被运用到了越来越多的场景上，从日夜不停工作的监视器到智能城市的实时车辆检测。这就是深度学习的强大之处。

在这篇文章里面，我们会看看各种可以用来做目标检测的算法。我们从 RCNN 系列开始，从 RCNN、Fast RCNN 到 Faster RCNN。（在随后的文章里面可能会讲到 YOLO、SSD 之类的）

原文作者附上了一篇关于「目标检测」的文章，感兴趣的朋友可以前往看看，现在就让我们开始来看看 RCNN 的「家族史」吧！

1. 解决目标检测任务的简单方式

下面的图展示了目标检测任务是怎么工作的。在图中的每一个物体，从人到风筝都会被定位和识别，并且会给我们一个置信度，即计算机认为的所识别到的物体的可能性。

先来看看被使用最广的最简单的目标检测深度学习算法 —— 卷积神经网络，CNNs。

下图告诉了我们 CNN 在内部是如何工作的。

我们给网络一张图片，然后它会被传送到许多卷积层和池化层上。最后给我们一个所识别到的物体的类别。

每输入一张图片，我们就会得到一个相对应的类别作为输出。那么我们可以用这样的方法来检测一张图片中的多个目标吗？当然可以啦。来看看怎么使用 CNN 解决一个普通的目标检测问题：

1. 首先，把一张图片作为输入：

2. 然后把图片分成几个区域：

3. 这样一来就可以把每个区域都当作是一个独立的图片；
4. 然后你知道的，就是这些独立的区域放进 CNN 里面，对它们进行分类；
5. 当所有的区域都分类好了，我们就可以把它们合起来，得到带有检测目标的原始图片：

这样做怎么看都是有问题的是吧，你看上图的框实在太大了，我们看不出它框出了什么出来。直接把图片分成几个简单的区域太粗暴了。我们知道图片中的物体大小和位置都是不一样的，直接分肯定会出现框不全的情况。

物体的大小位置和形状都是多变的。如果我们想要框更加适合，就要适当地增加框的数量，也就是把图片分成更多更小的部分，而不是 4 个大区域。但是这样会导致计算时间成倍地增加。为此我们需要一个更好的方法，那就是基于区域的 CNN（Region-based CNN, RCNN）。基于区域就是使用生成区域建议的方式来选择区域。区域建议又是什么？再接下来看看吧。

2. 理解基于区域的卷积神经网络（RCNN）

RCNN 算法可以为一张图片提供较少的选框，然后检查这些框中有没有包含物体。选框的方式是根据选择性搜索（selective search）来进行的，这些选框就叫做区域，也叫做 regions.

先来看看什么叫做选择性搜索，以及它是如何去识别不同的区域的。基本上一个物体中会包含四种信息：不同的尺度、颜色、纹理和边界。选择性搜索的方法就是识别这些模式，然后提出不同的区域。来看看它的过程：

首先当然就是先输入图片了：

然后，先生成最初的子分割，看起来像下面这样子。因为一开始分割得很细，整张图片感觉面目全非了，很复杂，那接下来的任务就是化小为大了。

把小块区域合并成大块的区域依据的方法就是，按照颜色相似度、文理相似度、大小相似度和形状兼容性来完成的。其实就是上面说的物体的四个特性：

最后生成的区域就是物体在图片中的定位了，也就是所说的感兴趣区域（Region of Interest）.

那下面来看看一个 RCNN 检测时的步骤有哪些：

1. 首先准备一个预训练的卷积神经网络；

2. 然后再重新训练这个模型，但是只训练最后的层，也就是微调（fine tune），训练的类别就是我们想要检测的类别；

3. 第三步，得到每一张图片的感兴趣区域，把所有的区域都改变成同样的大小，可以输入到 CNN 中；

4. 得到区域后，训练 SVM 来分类物体和背景（在目标检测当中需要对一个 ROI 判断其属于目标还是背景）。对于每一个类别，我们都会训练一个二分类 SVM；

5. 最后，为了使得生成的框更加精确，会训练一个线性回归模型让生成的 Bounding Boxes 更加贴近物体。

来看看图片的过程，更加有助于理解！

这就是第一步，输入图片：

使用一些区域建议方法来得到 ROI，选择性搜索是区域建议方法的其中一个：

然后这些区域就会被 reshape 成 CNN 输入的大小：

CNN 就提取每一个区域的特征值，然后 SVM 就来对这些区域进行分类：

最后，边界框回归（Bounding box） 就预测生成的框：

RCNN 就这样来检测目标的。

3. RCNN 的不足

到目标为止讲的 RCNN 确实可以检测目标了，但是却存在很大的问题：

1. 首先它对于每一张图片都会生成 2000 个 ROI；

2. 对每一张图片都进行一次区域建议，如果有 N 张图片，那就是 N*2000 个了；

3. 整个过程用了三个模型：用于特征提取的 CNN、识别物体的线性 SVM 和调整边界框的回归模型。

这些过程使得 RCNN 变得非常的慢，预测一张图片就花去了 40 到 50 秒的时间，这个时间确实等不起，如果遇到更加大的数据量时，网络就根本处理不来，所以一开始的 RCNN 是很慢的，但是在接下来的 Fast RCNN 和 Faster RCNN 里面，改进了很多，我会在下一篇文章为大家讲讲这两个表现更好的网络。

---

更多精彩：
1. 目标检测技术演进：Fast R-CNN、Faster R-CNN
2. 胶囊网络的简单介绍
3. Apple 新产品中的机器学习算法

---

如果你想了解更多关于人工智能的资讯，欢迎扫码关注微信公众号以及知乎专栏 「译智社」，我们为大家提供优质的人工智能文章、国外优质博客和论文等资讯哟！