【深度学习目标检测】R-CNN系列算法全面概述（一文搞懂R-CNN、Fast R-CNN、Faster R-CNN的来龙去脉）

🚀个人主页：为梦而生~ 关注我一起学习吧！
💡相关专栏：
深度学习：现代人工智能的主流技术介绍
机器学习：相对完整的机器学习基础教学！
💡往期推荐：
【机器学习基础】一元线性回归（适合初学者的保姆级文章）
【机器学习基础】多元线性回归（适合初学者的保姆级文章）
【机器学习基础】决策树（Decision Tree）
【机器学习基础】K-Means聚类算法
【机器学习基础】DBSCAN
【机器学习基础】支持向量机
【机器学习基础】集成学习
【机器学习 & 深度学习】神经网络简述
【机器学习 & 深度学习】卷积神经网络简述
💡本期内容：R-CNN系列算法是经典的two-stage的目标检测算法，相较于one-stage精度更高，但是速度略有下降。从R-CNN到Fast R-CNN和Faster R-CNN，整个思路是：候选框选取——特征提取——对候选框进行分类（判定类别）和回归（修正候选框位置）。R-CNN系列算法在目标检测领域有着重要的影响和应用，是计算机视觉领域的重要算法之一。

文章目录

0 前言
1 R-CNN
- 1.1 算法步骤
- - 1.1.1 候选区域的生成
  - 1.1.2 提取特征
  - 1.1.3 判定类别
  - 1.1.4 精细修正候选框的位置
- 1.2 算法总结
- 1.3 存在问题
2 Fast R-CNN
- 2.1 算法步骤
- 2.2 与Fast R-CNN的区别
- - 2.2.1 共享卷积层
  - 2.2.2 ROI pooling
  - 2.2.3 分类器和边界框回归器
  - 2.2.4 损失函数
- 2.3 算法总结
3 Faster R-CNN
- 3.1 算法步骤
- 3.2 RPN
- - 3.2.1 anchor
  - 3.2.2 IOU
  - 3.2.3 损失函数
- 3.3 Faster R-CNN的训练
- 3.4 算法总结

0 前言

RCNN在2013年在目标检测领域首次使用深度学习和卷积神经网络，他与Alex net一起引爆了21世纪第二个十年计算机视觉领域的技术爆炸。

在这里插入图片描述

后续所有基于深度学习的目标检测——特别是两阶段目标检测算法。如Fast RCNN Faster R-CNN，都是在R-CNN上进行的迭代升级。

在这里插入图片描述

所以弄懂RCNN特别重要。甚至可以说，没弄懂RCN后边的算法根本就看不懂。

1 R-CNN

1.1 算法步骤

一张图像生成1K~2K个候选区域(使用Selective Search方法)
对每个候选区域，使用深度网络提取特征
特征送入每一类的SVM分类器，判别是否属于该类
使用回归器精细修正候选框位置

在这里插入图片描述

1.1.1 候选区域的生成

利用selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体。

在这里插入图片描述

1.1.2 提取特征

将2000候选区域缩放到227x227pixel，接着将候选区域输入事先训练好的AlexNet CNN网络获取4096维的特征得到2000×4096维矩阵。

在这里插入图片描述

1.1.3 判定类别

将2000×4096维特征与20个SVM组成的权值矩阵4096×20相乘,获得2000×20维矩阵表示每个建议框是某个目标类别的得分。分别对上述2000×20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框。

在这里插入图片描述

进行非极大值抑制处理

在这里插入图片描述

1.1.4 精细修正候选框的位置

对NMS处理后剩余的建议框进一步筛选。接着分别用20个回归器对上述20个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的bounding box。

在这里插入图片描述

如图，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进行回归后的预测窗口，可以用最小二乘法解决的线性回归问题。

1.2 算法总结

在这里插入图片描述

R-CNN算法可以分为以下步骤：

候选区域生成：利用Selective Search算法在每张图像上生成约2000个候选区域。这些候选区域被认为是可能包含目标的区域。
特征提取：将每个候选区域缩放为227×227，然后输入到预训练的CNN网络中，提取出4096维的特征向量。这一步将每个候选区域转换为固定大小的向量。
分类和回归：对于每个候选区域，使用SVM分类器进行分类，判断是否属于该类。然后使用回归器精细修正候选框的位置。

到后面我们会看到，这几个部分会不断融合，形成一个端到端的框架。

1.3 存在问题

测试速度慢:
测试一张图片约53s (CPU)。用Selective Search算法提取候选框用时约2秒，一张图像内候选框之间存在大量重叠，提取特征操作冗余。
训练速度慢:
过程及其繁琐
训练所需空间大:
对于SVM和bbox回归训练，需要从每个图像中的每个目标候选框提取特征，并写入磁盘。对于非常深的网络，如VGG16，从VOC07训练集上的5k图像上提取的特征需要数百GB的存储空间。

2 Fast R-CNN

Fast R-CNN是作者Ross Girshick继R-CNN后的又一力作。同样使用vGG16作为网络的backbone，与R-CNN相比训练时间快9倍，测试推理时间快213倍，准确率从62%提升至66%(再Pascal voc数据集上)。

在这里插入图片描述

2.1 算法步骤

一张图像生成1K~2K个候选区域(使用Selective Search方法)
将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵
将每个特征矩阵通过ROI pooling层缩放到7x7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果

在这里插入图片描述

2.2 与Fast R-CNN的区别

2.2.1 共享卷积层

一次性计算整张图像特征

R-CNN依次将候选框区域输入卷积神经网络得到特征。

Fast-RCNN将整张图像送入网络，紧接着从特征图像上提取相应的候选区域。这些候选区域的特征不需要再重复计算。

在这里插入图片描述

2.2.2 ROI pooling

不限制输入图像的尺寸，便于计算
统一缩放为7×7大小的特征图

在这里插入图片描述

2.2.3 分类器和边界框回归器

该网络的框架是这样的：

首先将图像输入到CNN网络得到feature map
再根据共享卷积层的映射关系对应到相应的特征矩阵
之后通过ROI pooling层缩放为7×7大小的矩阵
然后进行展平处理，在经过两个全连接层之后，得到feature vector
在feature vector的基础上，再并联两个全连接层
一个是分类器用于分类概率的预测，另一个回归器用于边界框回归参数的预测

分类器输出N+1个类别的概率（N为检测目标的种类,1为背景）共N+1个节点

在这里插入图片描述

边界框回归器输出对应N+1个类别的候选边界框回归参数(d_x, d_y, d_w, d_h)，共(N+1)x4个节点

在这里插入图片描述

回归的具体计算如下图所示：

在这里插入图片描述

$p_x,p_y,p_w,p_h$ 分别为候选框的中心x，y坐标，以及宽高
$\hat{G}_x,\hat{G}_y,\hat{G}_w,\hat{G}_h$ 分别为最终预测的边界框中心x，y坐标，以及宽高

在这里插入图片描述

2.2.4 损失函数

它的损失函数分为分类损失和边界框回归损失
在这里插入图片描述

p是分类器预测的softmax概率分布 $p=(p_0,…,p_k)$
u对应目标真实类别标签
$t^u$ 对应边界框回归器预测的对应类别u的回归参数 $t^u_x,t^u_y,t^u_w,t^u_h$
v对应真实目标的边界框回归参数 $v_x,x_y,v_w,v_h$

其中，分类损失在原论文中说的是使用log损失 $L_{c l s}(p, u)=-\log p_{u}$

边界框回归损失为：
$\begin{array}{l} L_{l o c}\left(t^{u}, v\right)=\sum_{i \in\{x, y, w, h\}} \operatorname{smooth}_{L_{1}}\left(t_{i}^{u}-v_{i}\right) \\ \operatorname{smooth}_{L_{1}}(x)=\left\{\begin{array}{ll} 0.5 x^{2} & \text { if }|x|<1 \\ |x|-0.5 & \text { otherwise } \end{array}\right. \end{array}$

2.3 算法总结

在这里插入图片描述

该算法首先还是使用selective search寻找候选框

但是后面的特征提取，分类和回归已经融入到了一个网络，进一步提高了速度。

3 Faster R-CNN

Faster R-CNN是作者Ross Girshick继Fast R-CNN后的又一力作。同样使用vGG16作为网络的backbone，推理速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在2015年的ILSVRC以及cOCO竞赛中获得多个项目的第一名。

在这里插入图片描述

3.1 算法步骤

将图像输入网络得到相应的特征图
使用RPN结构生成候选框，将RPN生成的候选框投影到特征图上获得相应的特征矩阵
将每个特征矩阵通过ROI pooling层缩放到7x7大小的特征图,接着将特征图展平通过一系列全连接层得到预测结果

实际上就是RPN+Fast R-CNN

在这里插入图片描述

所以，接下来只需要详细介绍一下RPN网络结构

3.2 RPN

在Faster R-CNN的训练过程中，RPN网络的训练是第一步。在这个阶段，使用ImageNet预训练的模型初始化RPN网络，并通过端到端的微调来优化网络参数，使其能够生成高质量的候选区域。在后续的训练步骤中，RPN网络和Fast R-CNN网络会共享卷积层，构成一个统一的网络，从而进一步提高目标检测的准确性和效率。

原论文给出的RPN网络的结构：

在这里插入图片描述

该网络使用滑动窗口在feature map上面进行滑动，每次滑动时都会生成一系列候选框（即anchors）
输出的通道数为256-d，再分别连接两个1x1conv，输出2k个score和4k个坐标，
对于k个anchor，得出2k个预测概率和4k个边界框回归参数
分类概率分别为前景和背景的概率，边界框回归参数还是Fast R-CNN提到的那四个
向量的维度与backbone有关，这里使用ZF网络所以是256维，如果是VGG16，那就是512维

3.2.1 anchor

RPN（Region Proposal Network）网络中的anchor是Faster R-CNN中的一个核心概念。Anchor是在特征图上预先定义的一组矩形框，用于在图像中滑动并检测可能包含目标物体的区域。其主要目的是提供一种在图像中搜索目标物体的方式，通过不同尺度和长宽比的矩形框来覆盖图像中的不同区域。

在RPN网络中，每个anchor都对应一个特征图上的点，这个点称为anchor的中心点。以这个中心点为基准，根据设定的尺度和长宽比，在特征图上生成一个矩形框，这个矩形框就是anchor。因此，anchor的数量和特征图的大小以及设定的尺度和长宽比有关。

在这里插入图片描述

RPN网络中的anchor具有两个重要的作用：

一是用于生成候选区域（proposals），即可能包含目标物体的区域；
二是用于训练RPN网络，使其能够区分正样本和负样本，并对候选区域进行边框回归，调整其位置和大小。

anchor三种尺度(面积){128²,256²,512²}
anchor三种比例{ 1:1, 1:2, 2:1 }
每个位置在原图上都对应有3x3=9 anchor

在这里插入图片描述

对于一张1000x600x3的图像，大约有60x40x9(20k)个anchor，忽略跨越边界的anchor以后，剩下约6k个anchor。对于RPN生成的候选框之间存在大量重叠，基于候选框的cls得分，采用非极大值抑制，IoU设为0.7，这样每张图片只剩2k个候选框。

在这里插入图片描述

3.2.2 IOU

在训练阶段，RPN网络会为每个anchor生成一个二分类标签（正样本或负样本），以及一个边框回归值。正样本是指与真实目标边界框（ground-truth box）重叠程度较高的anchor，而负样本则是指与真实目标边界框重叠程度较低的anchor。

在这里插入图片描述

通过不断优化网络参数，RPN网络可以逐渐学习到如何区分正样本和负样本，并对候选区域进行准确的边框回归。

在这里插入图片描述
对于如何确定正负样本，原论文给出了这样的定义：

首先，与ground-truth的交并比大于0.7的anchor为正样本
其次，如果所有ground-truth与anchor的交并比都小于0.7，选择与ground-truth有最大交并比的anchor作为正样本
最后，选择与ground-truth的交并比小于0.3的anchor为负样本

3.2.3 损失函数

原论文中给出的损失函数：
在这里插入图片描述

$p_i$ 表示第i个anchor预测为真实标签的概率
$p_i^*$ 当为正样本时为1,当为负样本时为0
$t_i$ 表示预测第i个anchor的边界框回归参数
$t_i^*$ 表示第i个anchor对应的GT Box
$N_{cls}$ 表示一个mini-batch中的所有样本数量256
$N_{reg}$ 表示anchor位置的个数(不是anchor个数)约2400

分类损失：

分类损失在原论文中给出的是一个softmax cross entropy

$L_{cls}=-\log (p_i)$

$p_i$ 表示第i个anchor预测为真实标签的概率

边界框回归损失：

这一部分与Fast R-CNN的边界框回归损失是一样的

论文中给出的是smooth L1损失

$\begin{array}{l} L_{\text {reg }}\left(t_{i}, t_{i}^{*}\right)=\sum_{i} \operatorname{smooth}_{L_{1}}\left(t_{i}-t_{i}^{*}\right) \\ t_{i}=\left[t_{x}, t_{y}, t_{w}, t_{h}\right] \quad t_{i}^{*}=\left[t_{x}^{*}, t_{y}^{*}, t_{w}^{*}, t_{h}^{*}\right] \end{array}$
$\operatorname{smooth}_{L_{1}}(x)=\left\{\begin{array}{ll} 0.5 x^{2} & \text { if }|x|<1 \\ |x|-0.5 & \text { otherwise } \end{array}\right.$

在这里插入图片描述

$p_i^*$ 当为正样本时为1,当为负样本时为0
$t_i$ 表示预测第i个anchor的边界框回归参数
$t_i^*$ 表示第i个anchor对应的GT Box

3.3 Faster R-CNN的训练

现在的很多地方都是直接采用RPN Loss+ Fast R-CNN Loss的联合训练方法

原始的训练方法是这样的：

利用ImageNet预训练分类模型初始化前置卷积网络层参数，并开始单独训练RPN网络参数;
固定RPN网络独有的卷积层以及全连接层参数，再利用lmageNet预训练分类模型初始化前置卷积网络参数，并利用RPN网络生成的目标建议框去训练Fast RCNN网络参数。
固定利用Fast RCNN训练好的前置卷积网络层参数，去微调RPN网络独有的卷积层以及全连接层参数。
同样保持固定前置卷积网络层参数，去微调Fast RCNN网络的全连接层参数。最后RPN网络与Fast RCNN网络共享前置卷积网络层参数，构成一个统一网络。