机器学习： R-CNN, Fast R-CNN and Faster R-CNN

做语义分割的大概都知道这几篇文章了，将一个传统的计算机视觉模型，用CNN一点一点的替换，直到最后构建了一个完整的基于CNN的端到端的模型。这几篇文章有一定的连贯性。从中可以看到一种研究的趋势走向。

上一篇文章里介绍过，Selective Search for Object Recognition，这篇 paper 发表于 2013 年，是一个传统的基于特征提取加分类识别的模型，这个模型主要分成三个部分：

1） 候选区域的提取，这里主要用到了图像分割以及区域融合，经过这一步，从一张图像里大概提取出 2000 个左右的候选区域。

2） 特征提取，从这 2000 个候选区域中，分别提取特征。

3） 分类识别，利用提取的特征，训练 SVM 分类器，对候选区域做分类识别。

看到这三个部分，对于经常接触 CNN 的人来说，首先想到的是怎么用神经网络来代替这三个部分，其实这个替代的过程，也就是这三篇 R-CNN, Fast R-CNN 和 Faster R-CNN 的诞生过程。

1） R-CNN 替代了上面的第二部分， 也就是特征提取部分。

2） Fast R-CNN 在 R-CNN 的基础上，替代了上面的第二，第三部分，特征提取和分类识别都是用神经网络来实现。

3） Faster R-CNN 把第一部分候选区域的提取也替代了，由此就构建了一个完整的端到端的深度神经网络。

这就是 R. B. G 大神的这三篇文章的一个走向。下面介绍一下这三篇文章。

R-CNN

R-CNN 就是用 CNN 替代了传统的特征提取的方法，这也是目前 CNN 比较流行的一种使用方法，为了能让CNN发挥特征提取的作用，这里面要对CNN网络做两次训练，

1) 第一次是先用CNN网络做一个一般的分类识别的学习，比如说ImageNet 的分类，用大量的数据去训练这个网络，让这个网络先具备一定的特征提取的能力;

2) 接下来，需要对训练过的CNN 做一个fine-tuning，就是说用一个特定的数据库，对这个训练过的网络，再训练一次，这样做的目的，是让这个网络能够更有针对性的提取特征。

训练的时候，如何选择正样本，负样本，以及每一个样本 batch 里正负样本的比例，可能需要一些经验。这些论文里面都有介绍。

经过这两次训练之后，这个CNN网络应该就可以用来做特征提取了。其他的步骤，其实和传统的方法基本一致的。

Fast R-CNN

R-CNN 实现的是用 CNN 代替传统的特征提取，R-CNN 有一个问题，就是对每个候选区域都要从头到尾的做一次卷积操作，比如对图像候选区域先做一些 warp，变形到固定的尺寸， 227×227，然后对这个区域用CNN操作一遍，提取特征，再用后面的SVM做分类识别，2000 个候选区域，就要用 CNN 做2000次这样的操作，实在是过于繁琐。而且，可能也会想，能不能用神经网络把后面的分类识别也替代了呢，大神就是大神，所以借鉴了何恺明大神的SPPnets (Spatial pyramid pooling networks)之后, 提出了 Fast R-CNN， 将特征提取和后面的分类检测都用神经网络来做了。

比起 R-CNN， Fast R-CNN 解决了几个非常重要的问题：

• 如何用CNN只对图像做一次操作，从而把所有的候选区域的特征都能提取出来

• 如何用神经网络提取出固定维度的特征

• 如何将分类与回归问题放在一个框架下同时解决

我们先来看第一个问题，我们知道卷积神经网络，不管前面怎么卷，最后都会连到一个全连接网络，就是我们传统的MLP来做分类，所以一般设计网络的时候，我们需要根据输入图像的尺寸，网络的深度，一层一层的设计好，以确保最后的全连接层是一个一维的神经元，这样的设计其实比较麻烦，不太灵活，对图像的输入尺寸定的很死，不能随便改变，何大神就想到了一种 Spatial pyramid pooling 的方式，不管最后一层卷积层的输出是什么，我都给它用 max pooling 的方式，把它们都变成一个一维的神经元，这下好了，不管输入图像是什么尺寸的，我都把最后一个卷积层的输出用这种方式 pooling 成一个固定维度的特征，然后把这个特征往后传递给全连接层继续下去，文章里的示意图非常形象：

如上图所示，经过最后一层的卷积层，这个网络输出了 256 个 feature map，我们不管这 256 个 feature map 的尺寸，也就是长宽是多少，我们都给它做 pooling, 何大神用了三种 pooling 方式，

• 第一种是整个 feature map 做 pooling, 那么每个 feature map 就出来一个值，256 个 feature map 就有 256 个值

• 第二种是每个 feature map 分成 2×2=4 块，每一个 pooling 出一个值，那么每个 feature map 就有 4 个值，一共是 256×4

• 第二种是每个 feature map 分成 4×4=16 块，每一个 pooling 出一个值，那么每个 feature map 就有 16 个值，一共是 256×16

所有这三种全部连成一个一维的特征向量，接入全连接层，做后面的计算。

Fast R-CNN 就是借鉴了这一个思路，对图像做一次卷积操作，在最后一个卷积层，就会生成很多 feature map，然后利用 pooling 的思想，从 feature map 中提取对应的候选区域的特征，这里只用了一种尺度，文章中说的是 7×7，就是每一个原图的候选区域在 feature map 生的对应区域都分成 7×7 块，然后做 pooling, 相信很多人看到这里，跟我一样都有些懵逼了，原图的候选区域我们都很好理解，因为是分割出来的，但是后面的 feature map 经过层层卷积，尺寸已经改变了，怎么去确定对应的区域呢。这里先暂时不展开讲，后面的博客再详细说明一下。反正就是说经过这种设计，只要对图像做一次卷积操作，就可以把所有候选区域的特征都提取到，并且都 pooling 成固定尺寸，可以放到后面的全连接层继续训练。

介绍完特征提取，我们讲后面的分类识别，Fast R-CNN 设计了一个 MLP 来做后面的分类识别，如paper中的流程图所示：

将 pooling 得到的特征，连到两个全连接层上，后面构建了两个输出端，一个是用来做分类的，判断这个候选区域里有没有某一类的目标，另外一个是用来做回归的，判断这个框检测的是否精确，分类器就是用一个 softmax 函数求出某一类的概率来做判断，回归器就是用最小二乘了。构造的 loss function 如下：

L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)

Lcls(p,u) 就是用来做分类，Lloc 就是做回归分析，对于 类别 u，我们有这个类别在图像中的位置 v=(vx,vy,vw,vh)， 根据预测的概率 p 和预测的位置 tu=(tux,tuy,tuw,tuh) 进行调整，paper 里面也介绍了 Lloc 这个函数，是一个分段函数，论文中说这个函数比起均方误差函数要好，这个大概就是 Fast R-CNN 的基本流程。具体的细节，可以仔细阅读论文。

Faster R-CNN

下面介绍最后一篇文章，Faster R-CNN, 前面两篇文章已经将特征提取和分类识别都用神经网络代替了，就剩下候选区域的提取了，大神为了实现完整的神经网络端到端解决方案，所以又提出了 Faster R-CNN, 与前面两篇文章相比，这篇文章的主要贡献就是提出了一个 Region Proposal Network (RPN)，将候选区域的提取也用神经网络实现了。先来看看整体的网络构造：

可以看到， RPN 网络其实也是在 feature map 上做提取的，也就是说前面先用卷积网络对输入图像做各种卷积，论文中说的是全卷积网络，也就是不带 pooling 层的卷积网络，所以得到的 feature map 应该比较大，在 feature map 上如何提取特征呢，大神设计了几种不同尺寸的矩形窗，每一个窗的中心称为一个 anchor，在 feature map 上进行滑动，在每一个选定点上，提取三种尺寸，三种比例的窗，所以生成了 9 个 anchor，论文中也提到对于一个 W×H 的 feature map，会有 9WH 个 anchor，说明在 feature map 上的滑动是逐点平移的，没有跳点。

论文中也提到了如何训练 RPN，利用了和 Fast R-CNN 类似的一个 loss function,

L(pi,ti)=1Ncls∑iLcls(pi,p⋆i)+λ1Nreg∑ip⋆iLreg(ti,t⋆i)

这个函数和前面的 Fast R-CNN 目标函数类似，训练的细节也可以在论文中找到。

接下来，我们看看如何将候选区域的提取和后面的特征提取，以及分类识别整合到一个网络里，从上面的流程图可以看到， RPN 和 后面的 Fast R-CNN 是有一些公用卷积层的，前面的卷积层都一面，只是后面要进入不同的分支。大神给出了三种方案：

• 交叉训练： 先训练 RPN, 然后利用训练好的 RPN 提取候选区域，训练 Fast R-CNN， 这个训练过程会对前面的公用卷积层做 fine tuned, 这个 fine tuned 过的公用卷积层，可以作为下一次训练 RPN 的初始值，训练 RPN, 如此反复交叉迭代，论文中好像采用的就是这个方案。

• Approximate joint training， 这个方案，将 RPN 和 Fast R-CNN 整合到一起，前向传递的时候， RPN 固定不动，用来做单纯的候选区域提取，反向传递的时候，Fast R-CNN 部分还是和以前一样，不过公用卷积层的部分，需要把 RPN 的 loss function 也考虑进去。

• Non-approximate joint training， 这个方案，会将 RPN 的输出的候选框的预测值作为 Fast R-CNN 的输入，为了实现这一目的，论文中引入了一个 ROI pooling 层，大神只是大概介绍了一下，由于论文采取的其实是方案一，所以没有提供太多细节。

下面，介绍一下方案一的具体训练细节：

• 第一步： 训练 RPN, 当然了，训练 RPN 之前，这个网络先得用 ImageNet 数据集跑一遍，标准流程，呵呵。然后再用现在要用的数据库的训练集做 fine tune。

• 第二步： 训练 Fast R-CNN，这个网络也得先用 ImageNet 数据集先跑一遍，然后再把 RPN 当做一个候选区域的提取网络，直接提取出候选区域，去训练 Fast R-CNN，注意，到这一步的时候，RPN 和 Fast R-CNN 还是没有任何公用卷积网络的。

• 第三步： 我们用训练过的 Fast R-CNN 的卷积层部分来初始化 RPN，但是，这些卷积层训练的时候不调整参数，只有对 RPN 单独拥有的那几层网络调整参数。现在，RPN 和 Fast R-CNN 就有了公用的卷积层。

• 第四步： 依然固定公用的卷积层，对 Fast R-CNN 单独拥有的几层网络做训练，调整参数。

这样整个四步走完，是一个回合，论文中也提到，可以多训练几个回合，不过好像然并卵。

从这四步，我们可以看到，

1） 用一个大的数据集对网络进行“预热”是非常重要的，这样比起随意的初始化要好的多，可能见得多了，网络的学习能力也能增强。

2） 公用卷积网络其实是在前面两步就训练好了的，后面两步只是对 RPN 和 Fast R-CNN 单独拥有的几层网络做个微调。

3） RPN 用来负责标识候选区域，Fast R-CNN 用来对标识出来的候选区域做分类识别。结合这两个网络的输出结果，就可以对图像做最后的语义分割了。

参考：

R-CNN 《Rich feature hierarchies for Accurate Object Detection and Segmentation》

SSPnets 《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》

Fast R-CNN

Faster R-CNN

晓雷机器学习笔记 https://zhuanlan.zhihu.com/xiaoleimlnote