目标检测学习总结(2) ---- R-FCN/Yolo

前言

上一篇博文讲的Fast R-CNN、Faster R-CNN等都是基于旧形态CNN的结构（VGG、AlexNet）为基础，网络中存在全连接层。随着CNN全卷积化的趋势（ResNet、GoogleNet，只剩下一个全连接层 2048 -> 1000），那么能简单的应用ResNet、GoogleNet作为基础网络吗？事实证明，如果简单的丢弃全连接层，检测的效果反而会变差。

这主要是来源于下面的一对矛盾：
（1）图像分类：要求图像具有平移不变性
（2）目标检测：要求图像具有位置敏感性（平移变换性）。

首先先理解什么是平移不变性和位置敏感性。
平移不变性： 比如在用基础网络（ResNet、GoogleNet）在给一只狗做分类时，无论狗怎么扭曲、旋转灯，最终识别出来的都是狗，这就是平移不变性。网络越深（Resnet、Google net 网络很深）、特征越明显，识别越准确。识别结果不会因输入的位置、形状发生变换而改变。
平移变换性： 针对目标位置检测，假如输入狗的坐标发生了变化，检测出狗的坐标也发生了变化，这就是平移变换性。但是当网络加深（Resnet、Google Net 网络很深）时，最后一层卷积层输出的feature map变得很小，当输入发生位置改变时，经过N多层pooling后会感知不到物体输入的位置改变。网络越深，平移变换性越差。

由上述可知，要使目标检测好（分类 + 定位），就要保证平移不变性和平移变换性好，但是平移不变性和平移变换性是矛盾的，如果要应用Resnet、Google Net 这种深层次的网络那该怎么解决呢？

R-FCN即是为解决上述两个矛盾而来。

R-FCN

• 引入变换敏感性
  1、位置敏感分值图（Position-sensitive score maps）
  特殊设计的卷积层
  Grid位置信息 + 类别分值
  2、位置敏感池化（Position-sensitive RoI pooling）
  无训练参数
  无全连接网络的类别推断

position-sensitive score map

使用k * k(C+1)个通道对位置、类别组合进行编码，其中

• 类别：C个物体类和+1个背景类
• 相对位置：k * k个Grid（k = 3）
• 位置敏感分值图（Position-sensitive score maps）
  1、每个分类k * k个score map
  2、score map尺寸 = 图片尺寸

解释： R-FCN会在共享卷积层的最后加上一层卷积层，该层的height和width与共享卷积层是一样，所不同的是该层通道数是k * k(C+1)个。每个类别都有k * k个score map。
我们对某一类别进行讨论，score map都是只属于“一个类别的一个部位”的（共有k * k个部位，可以理解为每个score map关注的是某类别的不同部位信息），所以RoI的第 i 个子区域一定要到第 i 张score map上去找对应区域的响应值，因为RoI的第 i 的子区域需要的部位和第 i 张score map关注的部位是一样的，将左右的score map分别对应计算组合，就得到了一个类别完整的分值图（C+1个分值）。

如上图，第一张score map关注的是top-left的区域，那么top-left区域的分值就要从该张图上去计算求池化，k * k个区域刚好对应了k * k张score map图。

那是怎么做到不同score map的映射呢？即怎么根据score map计算得到后面对应的RoI区域的分值？？这里就需要引入位置敏感池化

Position-sensitive RoI pooling

位置敏感池化，顾名思义就是根据位置的不同做池化，这样才能达到所谓的‘位置敏感’。

• 将w * h尺寸的RoI拆分成k * k个bin，其中bin大小是w/k * h/k。
• 不同颜色bin对应的是不同颜色的通道层，也可以理解为类别的不同区域，因为不同颜色的通道层关注的是类别的不同区域，共有k * k个区域
• bin内做均值池化
• 输出尺寸是k * k * (C+1)

解释： 由图看到，经过RPN网络提取得到的RoI区域，其实是包含了位置信息的，可以对应到score map的对应位置。一个RoI会分成 k * k 个bins（也就是子区域。每个子区域bin的长宽分别是 w/k 和 h/k），每个bin都对应到score map上的某一个区域（颜色对应）。那么池化操作就是在该bin对应的score map上的子区域执行，且执行的是平均池化。我们在上一部分已经讲了，第 i 个bin应对在第 i 个score map上找响应值，那么也就是在第 i 个score map上的“该第 i 个bin对应的位置”上进行池化操作，且池化是取“bin这个范围内的所有值的平均值”。并且由于有(C+1)个类别，所以每个类别都要进行相同方式的池化。

以person为例，下图是position-sensitive score map的结果图。

position-sensitive regression

上面的 position-sensitive score map + Position-sensitive RoI pooling是用来分类的，得到的是类别的分值，那么怎么得到该类别的位置信息呢？即怎么做回归，从而达到4个数值（x、y、h、w）？？

类似的，仿照分类的思想，在ResNet 的共享卷积层的最后一层接上一个与position-sensitive score map同级的score map，该score map的通道数应该是 4 k * k，经过
Position-sensitive RoI pooling之后，每一个RoI应该得到4个数作为‘该RoI坐标的长度和偏移量’

R-FCN的多任务损失函数

参考：
https://www.jianshu.com/p/409fd61db9db
https://zhuanlan.zhihu.com/p/30867916

Yolo

前面讲的都是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。Yolo算法是one-stage算法，他们仅仅使用一个CNN网络就可以直接预测不同目标的类别和位置。
Yolo算法全称是其全称是You Only Look Once: Unified, Real-Time Object Detection：You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测，而Real-Time体现是Yolo算法速度快。
本文总结的主要是Yolo系列中的Yolo-v1版本。

Yolo将物体检测任务当成一个regression问题来处理（后面给出Yolo的损失函数可以看出），通过Yolo，只需要看每张图像一眼就能得到图像中有哪些物体和物体的位置。

其主要预测流程如下：

• 将图像resize到448 * 448 作为神经网络的输入
• 使用一个神经网络，直接从整张图像中预测出bbox的坐标、box中包含物体的置信度和物体的可能性
• 进行非极大值抑制，筛选Boxs

Yolo网络由24个卷积层和2个全连接层构成， 即Google Net作为基础网络结构。
图中网络输出是7 * 7 *30的张量，为什么输出是这个？各个数字分别代表什么意思？

Yolo把模型的输出划分成网格形状，每个网格中的cell（格子）都可以输出物体的类别和bounding box的坐标。
常见的是Yolo将图像分成S * S个格子（S = 7），然后每个格子负责检测落入该格子的物体。如图所示：

狗的中心落入了红色圆点在的格子，那么该格子就负责预测图像中的狗。每个格子预测B个bounding box（包含物体的矩形框）以及这些bboxes的confidence scores。常用的是B = 2，一个矩形框的信息包含（x，y，w，h，confidence）。
也就是说，每个bbox（注意是bbox而不是格子）有5个预测值，加起来共有10个预测值，作为预测的结果中每一行的前10个元素。

confidence反映当前bounding box是否包含物体以及物体位置的准确性，计算方式如下：
confidence = P(object) * IOU, 其中，若bounding box包含物体，则P(object) = 1；
否则，P(object) = 0.。IOU(intersection over union)为预测bounding
box与物体真实区域的交集面积（以像素为单位，用真实区域的像素面积归一化到[0,1]区间）

那为什么是7 * 7 * 30呢

因为每一个格子（注意是格子而不是bbox）还要预测C个条件类别概率:Pr(Class|Object)，即在一个格子包含有一个object的前提下，它属于某个类的概率，预测20中物体，C = 2。

所以输出是7 * 7 * 30。

注意：条件概率类别是针对每个格子的，confidence是针对每个bbox的！！

在预测阶段，是将每个格子的条件类别概率与每个bbox的confidence相乘，如下：

那我们怎么知道哪个格子该预测哪个物体呢？？

这就涉及到我们是怎么去训练的，在训练阶段，如果物体中心落在这个cell，那么就给这个cell打上这个物体的label（包括xywh和类别）。也就是说我们是通过这种方式来设置训练的label的。换言之，我们在训练阶段，就教会cell要预测图像中的哪个物体。

这里要注意：虽然每个格子可以预测B个bounding box，但是最终只选择只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。这是YOLO方法的一个缺陷。

Yolo损失函数

Yolo损失函数如下，包含了坐标预测损失、含有object的bbox的confidence损失、不含有object的bbox的confidence损失和类别预测损失四个部分，每个部分都采用平方误差损失，这也说明了Yolo将目标检测看成是一个regression 问题。

结束

Yolo v1的优点：

• 检测速度很快，毕竟‘只需要看一眼’、、、
• 假阳性率低（YOLO网络将整个图像的全部信息作为上下文，在训练的过程中使用到了全图信息，能够更好的区分目标个背景区域）
• 能学到更加抽象的物体特征（网络层次深）

Yolo v1的不足：

• 检测精度低于其它的state - of - the - art物体检测系统
• 容易定位错误
• 对小物体的检测不好，尤其是密集的小物体，因为一个格子只能预测一个物体

参考：
https://zhuanlan.zhihu.com/p/37850811
https://blog.csdn.net/anqian123321/article/details/82118995
https://zhuanlan.zhihu.com/p/25236464
https://blog.csdn.net/qq_38232598/article/details/88695454