目标检测 — two-stage检测

　　目前主流的目标检测算法主要是基于深度学习模型，其可以分成两大类：two-stage检测算法；one-stage检测算法。本文主要介绍第一类检测算法，第二类在下一篇博文中介绍。

　　目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。一般情况下，two-stage算法在准确度上有优势，而one-stage算法在速度上有优势。不过，随着研究的发展，两类算法都在两个方面做改进。

　　two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这类算法的典型代表是基于region proposal的R-CNN系算法，如R-CNN，SPPNet ，Fast R-CNN，Faster R-CNN，FPN，R-FCN等；

1、R-CNN（13）

　　R-CNN算法分为4个步骤 ：

• 一张图像生成1K~2K个候选区域 ，Selective search方法（使用了Selective Search方法从一张图像生成约2000-3000个候选区域。基本思路如下： 使用一种过分割手段，将图像分割成小区域 ；查看现有小区域，合并可能性最高的两个区域（基于颜色、纹理等）。重复直到整张图像合并成一个区域位置； 输出所有曾经存在过的区域，所谓候选区域）；
• 对每个候选区域，归一化为同一尺寸，使用深度网络提取特征 ；
• 特征送入每一类的SVM 分类器（二分类），判别是否属于该类 ；
• 使用回归器精细修正候选框位置 ；

　　RCNN存在三个明显的问题：

　　1）多个候选区域对应的图像需要预先提取，占用较大的磁盘空间；

　　2）针对传统CNN需要固定尺寸的输入图像，crop/warp（归一化）产生物体截断或拉伸，会导致输入CNN的信息丢失；

　　3）每一个ProposalRegion都需要进入CNN网络计算，上千个Region存在大量的范围重叠，重复的特征提取带来巨大的计算浪费。

　　4）方法中的三个模型是分别训练的——CNN提取图像特征、分类器预测类别、回归模型tighten bounding box的边界，这也导致流程不易训练。

2、SPPNet （14）

　　 SPP-Net在RCNN的基础上做了实质性的改进：

　　（1）取消了crop/warp图像归一化过程，解决图像变形导致的信息丢失以及存储问题；

　　在R-CNN中，由于每个候选区域大小是不同，所以需要先resize成固定大小才能送入CNN网络，SPP-net正好可以解决这个问题。采用空间金字塔池化（SpatialPyramid Pooling ）替换了 全连接层之前的最后一个池化层。为了适应不同分辨率的特征图，定义一种可伸缩的池化层，不管输入分辨率是多大，都可以划分成m*n个部分。这是SPP-net的第一个显著特征，它的输入是conv5特征图 以及特征图候选框（原图候选框 通过stride映射得到），输出是固定尺寸（m*n）特征；

　　SPP层原理如下所示，假定CNN层得到的特征图大小为a×a（比如13×13，随输入图片大小而变化），设定的金字塔尺度为n×n bins（对于不同大小图片是固定的），那么SPP层采用一种滑动窗口池化，窗口大小win_size=⌈a/n⌉，步为stride=⌊a/n⌋stride=⌊a/n⌋，采用max pooling，本质上将特征图均分为n×n个子区域，然后对各个子区域max pooling，这样不论输入图片大小，经过SPP层之后得到是固定大小的特征。一般设置多个金字塔级别，文中使用了4×4，2×2和1×1三个尺度。每个金字塔都得一个特征，将它们连接在一起送入后面的全连接层即可，这样就解决了变大小图片输入的问题了。

　　

　　（2）只对原图提取一次特征：SPP的位置，放在所有的卷积层之后，有效解决了卷积层的重复计算问题（速度提高了24~102倍），这是论文的核心贡献。

　　R-CNN每次都要挨个使用CNN模型计算各个候选区域的特征，这是极其费时的，不如直接将整张图片送入CNN网络，然后抽取候选区域的对应的特征区域，采用SPP层，这样可以大大减少计算量，并提升速度。基于SPP层的R-CNN模型在准确度上提升不是很大，但是速度却比原始R-CNN模型快24-102倍。

　　

　　尽管SPP-Net贡献很大，仍然存在很多问题：

　　（1）和RCNN一样，训练过程仍然是隔离的，提取候选框 | 计算CNN特征| SVM分类 | Bounding Box回归独立训练，大量的中间结果需要转存，无法整体训练参数；

　　（2）SPP-Net在无法同时Tuning在SPP-Layer两边的卷积层和全连接层，很大程度上限制了深度CNN的效果；

　　（3）在整个过程中，Proposal Region仍然很耗时。

3、Fast R-CNN（15）

　　Fast RCNN 在 RCNN的基础上做了实质性的改进：

　　（1）共享卷积层：输入一张完整的图片，再把候选框映射到conv5上，得到每个候选框的特征。提出简化版的ROI池化层（注意，没用金字塔）。

　　

　　（2）多任务Loss层：把类别判断和位置精调统一用深度网络实现，不再需要额外存储。

　　在实现上是使用两个不同的全连接层，第一个全连接层有N+1个输出（N是类别总数，1是背景），表示各个类别的概率值；第二个全连接层有4N个输出，表示坐标回归值(tx,ty,tw,th)，这个与R-CNN是一样的，每个类别都预测4个位置坐标值。Fast R-CNN采用了softmax分类器而不是SVM分类器（softmax性能好一些），定位误差采用smooth L1 而不是R-CNN中的L2。

　

　

　　总代价为两者加权和，如果分类为背景则不考虑定位代价。损失函数：

　   

4、Faster R-CNN（15）

　　具体解释：https://blog.csdn.net/u011746554/article/details/74999010 　　

　　Fast R-CNN存在的问题：存在瓶颈：选择性搜索，找出所有的候选框，这个也非常耗时。那我们能不能找出一个更加高效的方法来求出这些候选框呢？解决：加入一个提取边缘的神经网络，也就说找到候选框的工作也交给神经网络来做了。做这样的任务的神经网络叫做Region Proposal Network(RPN)。

　　Faster R-CNN的主要贡献是设计了提取候选区域的网络RPN，代替了费时的选择性搜索，将候选框提取合并到深度网络中，使得检测速度大幅提高。

　　具体做法：将RPN放在最后一个卷积层的后面；RPN直接训练得到候选区域。RPN网络的特点在于通过滑动窗口的方式实现候选框的提取，在feature map上滑动窗口，每个滑动窗口位置生成9个候选窗口（不同尺度、不同宽高），提取对应9个候选窗口（anchor）的特征，用于目标分类和边框回归，与FastRCNN类似。 目标分类只需要区分候选框内特征为前景或者背景，边框回归确定更精确的目标位置。

　　

　　一种网络，四个损失函数：RPN calssification(anchor good.bad)；RPN regression(anchor->propoasal)；Fast R-CNN classification(over classes)；Fast R-CNN regression(proposal ->box)。

　　Faster R-CNN模型采用一种4步迭代的训练策略：（1）首先在ImageNet上预训练RPN，并在PASCAL VOC数据集上finetuning；（2）使用训练的PRN产生的region proposals单独训练一个Fast R-CNN模型，这个模型也先在ImageNet上预训练；（3）用Fast R-CNN的CNN模型部分（特征提取器）初始化RPN，然后对RPN中剩余层进行finetuning，此时Fast R-CNN与RPN的特征提取器是共享的；（4）固定特征提取器，对Fast R-CNN剩余层进行finetuning。这样经过多次迭代，Fast R-CNN可以与RPN有机融合在一起，形成一个统一的网络。

　　其实还有另外一中近似联合训练策略，将RPN的2个loss和Fast R-CNN的2个loss结合在一起，然后共同训练。注意这个过程，Fast R-CNN的loss不对RPN产生的region proposals反向传播，所以这是一种近似（如果考虑这个反向传播，那就是非近似联合训练）。应该来说，联合训练速度更快，并且可以训练出同样的性能。

　　RPN生成候选框样本不均衡问题：

1. 为了训练速度和训练精度的平衡，原始图像进入训练之前需要先进行resize，使图像的短边为600（或者长边为1000）；
2. 在训练过程产生的anchor中，忽视掉所有的超过图像边界的anchor：如在1000*600的图像中，大概会有20000（60*40*9）个anchor，去除掉超过边界的anchor之后，还剩6000个。论文中提到：若是不去除这些anchor的话，它们会带来大量的、难以纠正的错误，并且导致训练loss难以收敛。而在测试过程中，对于超出边界的anchor并不是删除，而是修剪掉其超过边界的部分。
3. RPN得到的大量proposal可能会相互重叠，冗余度较高，论文根据这些proposal的cls得分对其区域采用非极大值抑制（NMS）去除冗余proposal，经过NMS后每张图还剩下大概2000个proposal。经过实验，NMS并不会降低检测的准确度，但是大量减少了无关的proposal。
4. 1. 对每个标定的 ground true box 区域，与其重叠比例最大的 anchor 记为正样本 (保证每个 ground true 至少对应一个正样本 anchor )
   2. 对 1 中剩余的 anchor，如果其与某个标定区域重叠比例 (IoU) 大于 0.7，记为正样本（每个 ground true box 可能会对应多个正样本 anchor。但每个正样本 anchor 只可能对应一个grand true box）；如果其与任意一个标定的重叠比例都小于 0.3，记为负样本。
   3. 对 1、2 剩余的 anchor，弃去不用。
   4. 跨越图像边界的anchor弃去不用。

5、最后总结一下各大算法的步骤：

• RCNN解决的是，“为什么不用CNN做classification呢？”
• Fast R-CNN解决的是，“为什么不一起输出bounding box和label呢？”
• Faster R-CNN解决的是，“为什么还要用selective search呢？”

　　（1）RCNN

• 在图像中确定约1000-2000个候选框 (使用选择性搜索)
• 每个候选框内图像块缩放至相同大小，并输入到CNN内进行特征提取
• 对候选框中提取出的特征，使用分类器（SVM二分类）判别是否属于一个特定类
• 对于属于某一类特征的候选框，用回归器进一步调整其位置

　　（2）Fast RCNN

• 在图像中确定约1000-2000个候选框 (使用选择性搜索)
• 对整张图片输进CNN，得到feature map
• 找到每个候选框在feature map上的映射patch，将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层
• 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
• 对于属于某一特征的候选框，用回归器进一步调整其位置

　　（3）Faster RCNN

• 对整张图片输进CNN，得到feature map
• 卷积特征输入到RPN，得到候选框的特征信息
• 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
• 对于属于某一特征的候选框，用回归器进一步调整其位置

　　 　　

5、FPN （17）

　　原有的目标检测算法通常都是只采用顶层特征做检测，原因是网络顶层特征的语义信息比较丰富。然而，虽顶层特征的语义信息丰富，但其中的目标位置信息却比较粗略，不利于目标包围框的准确定位；相反，虽然底层特征的语义信息比较少，但其中目标的位置信息却非常准确。

　　FPN 主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量情况下，大幅度提升了小物体检测的性能。

　　一个自底向上的线路，一个自顶向下的线路，横向连接（lateral connection）。侧向连接通过 1x1 的卷积进行连接（减少特征图维度同时保证尺寸不变），通过 Add 操作进行 Merge。

　　同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的效果。并且预测是在每个融合后的特征层上单独进行的。

　　　　

　　论文实验结论：

　　<1> 如果没有top-down的语义增强分支（仍然从不同的层输出），那么RPN的AR（average recall）会下降6%左右；

　　<2> 如果不进行特征的融合（也就是说去掉所有的1x1侧连接），虽然理论上分辨率没变，语义也增强了，但是AR下降了10%左右！作者认为这些特征上下采样太多次了，导致它们不适于定位。Bottom-up的特征包含了更精确的位置信息。

　　<3> 如果不利用多个层进行输出呢？作者尝试只在top-down的最后一层（分辨率最高、语义最强）设置anchors，仍然比FPN低了5%。需要注意的是这时的anchors多了很多，但是并没有提高AR。

　　<4> 在RPN和object detection任务中，FPN中每一层的heads 参数都是共享的，作者认为共享参数的效果也不错就说明FPN中所有层的语义都相似。

6、R-FCN（16）

　　主要贡献在于解决了“分类网络的位置不敏感性（translation-invariance in image classification）”与“检测网络的位置敏感性（translation-variance in object detection）”之间的矛盾，在提升精度的同时利用“位置敏感得分图（position-sensitive score maps）”提升了检测速度。

　　Faster R-CNN系列的网络都可以分成2个部分：（1）Fully Convolutional subnetwork before RoI Layer；（2）RoI-wise subnetwork.

　　第一部分是直接用普通分类网络的卷积层，用其来提取共享特征，然后一个RoI Pooling Layer在第1部分的最后一张特征图上进行提取针对各个RoIs的特征向量（或者说是特征图，维度变换一下即可），然后将所有RoIs的特征向量都交由第2部分来处理（分类和回归），而第二部分一般都是一些全连接层，在最后有2个并行的loss函数：softmax和smoothL1，分别用来对每一个RoI进行分类和回归，这样就可以得到每个RoI的真实类别和较为精确的坐标和长宽了。

　　这部分具有位置不敏感性，而如果我们将一个分类网络比如ResNet的所有卷积层都放置在第1部分用来提取特征，而第2部分则只剩下全连接层，这样的目标检测网络是“位置不敏感的translation-invariance”，所以其检测精度会较低，并且也白白浪费了分类网络强大的分类能力（does not match the network's superior classification accuracy）。而ResNet论文中为了解决这样的位置不敏感的缺点，做出了一点让步，即将RoI Pooling Layer不再放置在ResNet-101网络的最后一层卷积层之后而是放置在了“卷积层之间”，这样RoI Pooling Layer之前和之后都有卷积层，并且RoI Pooling Layer之后的卷积层不是共享计算的，它们是针对每个RoI进行特征提取的，所以这种网络设计，其RoI Pooling Layer之后就具有了“位置敏感性translation-variance”，但是这样做牺牲了测试速度，因为所有RoIs都要经过若干层卷积计算，测试速度会很慢。

　　

　　

　　详解：https://zhuanlan.zhihu.com/p/30867916

7、Mask R-CNN（17）

　　Mask R-CNN在此基础上更进一步：得到像素级别的检测结果。 对每一个目标物体，不仅给出其边界框，并且对边界框内的各个像素是否属于该物体进行标记。

　　主要贡献其实就是RoIAlign以及加了一个mask分支。 RoIAlign，是将RoIPooling的插值方式，从最近邻插值（INTER_NEAREST）方式变为双线性插值。

　　

参考博客：https://blog.csdn.net/xiaohu2022/article/details/79600037

　　　　   https://www.cnblogs.com/skyfsm/p/6806246.html

　　　　   https://blog.csdn.net/xyfengbo/article/details/70227173