RCNN、FastRCNN、FasterRCNN、MaskRCNN目标检测

R-CNN

训练阶段：

        CNN训练是在imagenet上预训练好的，迁移进行fine-tuning训练，将最后一层替换为N类+1背景类输出，fine-tuning时正负样本选择：将与ground-truth的IoU≥0.5的proposal作为正样本,不分类别，剩下作为负样本，每个batch中正负样本比例是1:3。

        N个SVM训练时正负样本选择：正样本是ground-truth，负样本是IoU＜0.3的proposal，忽略＞0.3的proposal，采用hard negative mining method加快训练。

        Bounding box regression训练，输入是IoU＞0.6的proposal，label是ground-truth，预测的是dx(P)，dy(P)，dw(P)和dh(P)这四个缩放因子，损失函数如式(2)所示。P对应的是候选框的中心坐标以及框的高宽，G对应的是最终预测的边界框的中心坐标以及宽高。

测试阶段：

        输入一张图像，采用Selective Search方法生成约2k个候选框region proposal，将proposal缩放到统一大小，输入到CNN中提取proposal的feature，再采用SVM对feature进行分类，判别feature所属类别的置信度，采用非极大值抑制(NMS,non-maximum suppression)方法剔除重复预测的proposal，然后将剩下的proposal的feature输入至linear regression来修正候选框的位置，得到预测框bouding box。

Fast-RCNN

训练阶段：

      Fast-RCNN实现了端到端训练。采用Selective Search算法在一张图像上生成约2k个proposal，然后经过正负样本采样获得合适的proposal，将图像输入网络得到feature map，将图像上的proposal投影到feature map获得对应的特征矩阵，特征矩阵通过ROI pooling层，ROI pooling层是将输入的proposal划分为7x7大小的块，在每个块中进行maxpooling，这样可以不限制输入图像的尺寸。然后经过一系列的FC层，通过softmax进行分类，类别为N+1，bbox regression修正候选框的位置，输出为N个类别分别对应的回归参数，共4N个。

        正负样本采样：在每个batch中包含2张图像和128个proposal，每张图像有64个proposal，挑选batch中25%的proposal作为正样本，这些proposal的IoU＞0.5。

        式(3)是模型的整体损失。式(4)是分类损失，也是交叉熵损失。式(5)是bbox regression损失，[u≥1]代表如果是正样本，u=1，如果是负样本，u=0

测试阶段：

        通过SS在图像上生成2K个proposal，图像输入网络得到feature map，proposal映射到feature map得到对应的特征矩阵，再通过ROI pooling和一系列FC得到预测的类别和回归修正值，然后通过NMS得到对proposal进行筛选，得到bounding box。

Faster-RCNN

        Faster-RCNN和Fast-RCNN的区别就在于proposal的选取，Faster-RCNN用RPN来代替SS算法选取proposal。Faster-RCNN的训练过程是先将图像输入网络得到feature map，使用RPN生成proposal，将proposal投影到feature map获得对应的特征矩阵，特征矩阵通过ROI pooling层，ROI pooling层是将输入的proposal划分为7x7大小的块，在每个块中进行maxpooling，这样可以不限制输入图像的尺寸。然后经过一系列的FC层，通过softmax进行分类，类别为N+1，bbox regression修正候选框的位置，输出为N个类别分别对应的回归参数，共4N个。

        RPN是先以feature map每个像素对应的原图上的像素为中心得到3x3个不同的anchor，通过正负样本采样，一个图像得到k个anchor，通过CNN与feature map卷积得到大小不变通道数减少的特征向量，每个向量长度是通道个数，将所有特征向量经过FC层，再通过cls layer(1x1的2k个卷积)得到k个anchor对应的前景背景的置信率，一共是2k个，再通过reg layer(1x1的4k个卷积)得到每个anchor的4个回归偏置，损失函数如式(6)，根据偏置调整后的anchor是得到的proposal。在测试部分，通过NMS再进一步筛选proposal。

        正负样本采样：每张图片采样256个anchor，正负样本比例是1:1，与ground-truth的IoU最大的anchor和IoU＞0.7的anchor是正样本， IoU＜0.3的anchor是负样本，剩下的忽略。

Mask-RCNN

        Mask-RCNN是在Faster-RCNN上的改进，增加了一个mask分支，mask部分采用的是FCN网络做分割。但是mask部分的输出是K个binary mask，二分类采用的是sigmoid函数，并不预测所属类别，所属类别的预测是依赖于Faster RCNN的分类部分。损失函数如下式。

        模型采用的是FPN架构，可以识别多尺度的物体。论文采用了RoIAlign是因为RoIpooling会出现misalignment， RoIAlign通过双线性插值可以得到准确的空间定位。