Bounding-Box regression
最近一直看检测有关的Paper, 从rcnn， fast rcnn, faster rcnn, yolo, r-fcn, ssd，到今年cvpr最新的yolo9000。这些paper中损失函数都包含了边框回归，除了rcnn详细介绍了，其他的paper都是一笔带过，或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多，后面的两条我看了很多paper，才得出这些结论。
- 为什么要边框回归？
- 什么是边框回归？
- 边框回归怎么做的？
- 边框回归为什么宽高，坐标会设计这种形式？
- 为什么边框回归只能微调，在离Ground Truth近的时候才能生效？
为什么要边框回归？
这里引用王斌师兄的理解，如下图所示：
对于上图，绿色的框表示Ground Truth, 红色的框为Selective Search提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的框定位不准(IoU<0.5)， 那么这张图相当于没有正确的检测出飞机。 如果我们能对红色的框进行微调， 使得经过微调后的窗口跟Ground Truth 更接近， 这样岂不是定位会更准确。 确实，Bounding-box regression 就是用来微调这个窗口的。
边框回归是什么？
继续借用师兄的理解：对于窗口一般使用四维向量(x,y,w,h)” role=”presentation”>(x,y,w,h)(x,y,w,h)。
边框回归的目的既是：给定(Px,Py,Pw,Ph)” role=”presentation”>(Px,Py,Pw,Ph)(Px,Py,Pw,Ph)
边框回归怎么做的？
那么经过何种变换才能从图 2 中的窗口 P 变为窗口G^” role=”presentation”>G^G^呢？ 比较简单的思路就是: 平移+尺度放缩
- 先做平移(Δx,Δy)” role=”presentation”>(Δx,Δy)(Δx,Δy)
- 然后再做尺度缩放(Sw,Sh)” role=”presentation”>(Sw,Sh)(Sw,Sh)
观察(1)-(4)我们发现， 边框回归学习就是dx(P),dy(P),dw(P),dh(P)” role=”presentation”>dx(P),dy(P),dw(P),dh(P)dx(P),dy(P),dw(P),dh(P)这四个变换。下一步就是设计算法那得到这四个映射。
线性回归就是给定输入的特征向量 X, 学习一组参数 W, 使得经过线性回归后的值跟真实值 Y(Ground Truth)非常接近. 即Y≈WX” role=”presentation”>Y≈WXY≈WX 。 那么 Bounding-box 中我们的输入以及输出分别是什么呢？
Input:
RegionProposal→P=(Px,Py,Pw,Ph)” role=”presentation”>RegionProposal→P=(Px,Py,Pw,Ph)RegionProposal→P=(Px,Py,Pw,Ph))
Output:
需要进行的平移变换和尺度缩放 dx(P),dy(P),dw(P),dh(P)” role=”presentation”>dx(P),dy(P),dw(P),dh(P)dx(P),dy(P),dw(P),dh(P) 。
这也就是 R-CNN 中的(6)~(9)：
那么目标函数可以表示为 d∗(P)=w∗TΦ5(P)” role=”presentation”>d∗(P)=wT∗Φ5(P)d∗(P)=w∗TΦ5(P)差距最小， 得到损失函数为：
函数优化目标为：
利用梯度下降法或者最小二乘法就可以得到 w∗” role=”presentation”>w∗w∗。
为什么宽高尺度会设计这种形式？
这边我重点解释一下为什么设计的tx,ty” role=”presentation”>tx,tytx,ty会有log形式！！！
首先CNN具有尺度不变性， 以图3为例：
x,y 坐标除以宽高
上图的两个人具有不同的尺度，因为他都是人，我们得到的特征相同。假设我们得到的特征为ϕ1,ϕ2” role=”presentation”>ϕ1,ϕ2ϕ1,ϕ2。也就是说同一个x对应多个y，这明显不满足函数的定义。边框回归学习的是回归函数，然而你的目标却不满足函数定义，当然学习不到什么。
宽高坐标Log形式
我们想要得到一个放缩的尺度，也就是说这里限制尺度必须大于0。我们学习的tw,th” role=”presentation”>tw,thtw,th怎么保证满足大于0呢？直观的想法就是EXP函数，如公式(3), (4)所示，那么反过来推导就是Log函数的来源了。
为什么IoU较大，认为是线性变换？
当输入的 Proposal 与 Ground Truth 相差较小时(RCNN 设置的是 IoU>0.6)， 可以认为这种变换是一种线性变换， 那么我们就可以用线性回归来建模对窗口进行微调， 否则会导致训练的回归模型不 work（当 Proposal跟 GT 离得较远，就是复杂的非线性问题了，此时用线性回归建模显然不合理）。这里我来解释：
Log函数明显不满足线性函数，但是为什么当Proposal 和Ground Truth相差较小的时候，就可以认为是一种线性变换呢？大家还记得这个公式不？参看高数1。
现在回过来看公式(8):
当且仅当Gw−Pw” role=”presentation”>Gw−PwGw−Pw=0的时候，才会是线性函数，也就是宽度和高度必须近似相等。
对于IoU大于指定值这块，我并不认同作者的说法。我个人理解，只保证Region Proposal和Ground Truth的宽高相差不多就能满足回归条件。x,y位置到没有太多限制，这点我们从YOLOv2可以看出，原始的边框回归其实x，y的位置相对来说对很大的。这也是YOLOv2的改进地方。详情请参考我的博客YOLOv2。
总结
里面很多都是参考师兄在caffe社区的回答，本来不想重复打字的，但是美观的强迫症，让我手动把latex公式巴拉巴拉敲完，当然也为了让大家看起来顺眼。后面还有一些公式那块资料很少，是我在阅读paper+个人总结，不对的地方还请大家留言多多指正。
