【目标检测_1】rcnn/fast_rcnn/faster_rcnn/mask_rcnn （目标检测与目标实例分割 论文理解）

@TOC
原文链接 mask_rcnn paper
原文链接 r_cnn
原文链接 fast_rcnn
原文链接 FPN
opencv 4.0 代码-mask_rcnn

深度学习笔记1

R_CNN

说明

Ross Girshick 2014年提出的，第一次用CNN卷积特征做目标检测，框图如上。首先使用ss算法进行候选框的提取，然后将每个候选框warped（将输入的候选区尺寸统一为224*224，Alexnet输入 尺寸要求），然后使用Alexnet CNN网络进行卷积特征提取，然后进行类别区分与bounding box回归。创新点如下：

1. 迁移学习 ，这是最震撼我的一种想法，由于标注有位置信息的数据集很少，PASCAL VOC只有20类，10k的数据量，对于深度学习网络很容易过拟合。
   预训练：迁移学习的想法就是先用ILSVR 目标识别数据（1000类 100万的数据量）进行训练CNN卷积特征。
   微调：然后在用少量的标有位置信息的数据集进行训练后面的FCN层（特定任务层）；意思作者认为卷积特征出来的数据是公用的基础的数据，作为不同任务的区分层为全连接层。

2. ss算法 根据图片的 颜色 纹理 尺寸大小 吻合度特征进行融合。在进行ss算法前图片先通过图论的方法预分割成若干的区域。ss算法的流程
   

3. 问题1 一张图大概有2000个候选区域，每一个区域都要进行一次CNN卷积，耗时耗内存；

4. 问题2 训练过程中，目标分类与定位是分开训练的，先训练目标分类再训练目标定位。耗时

5. 优点 MAP提高到66%，创新了之前一直使用人工提取特征产生结果的精确度！！！！精确度提升了30%；

fast_rcnn

说明：可以输入任意尺寸图片，因为有ROIPOOL layer层。在R_CNN基础上优化创新的，如上图结构图所示，将CNN卷积网络共享了，ss算法在原图上进行候选框的提取，在卷积后的特征图上进行映射的。映射关系为下采样率，下采样率由卷积的步长与池化层的步长决定的。举例子，假如下采样率为16则特征上的一个像素点对应原图的16*16的矩阵区域。后续的步骤与R_CNN一致。

下面将阐述与R_CNN的区别：

1. 线性分类器SVM分类器替换为softmax分类器
   线性分类器SVM在SVM中，称为Maximum Marginal；
   得分函数/score function：将原始数据映射到每个类的打分的函数f(xi,W,b)=Wxi+b
   损失函数/loss function：用于量化模型预测结果和实际结果之间吻合度的函数；
   决策面：Wxi+b=0（H1/H2的平行中间那条）
   决策函数：f(x)=sign(Wxi+b ) 要么+1 要么-1 只能判断是或不是
   softmax:
   logit=W‘x+b
   得分函数：y=softmax（logit）
   决策条件：生成的是一个K维的向量，k为类别数目。K类里面哪个概率值大则归为哪类。

2. 多任务loss 训练一次完成目标检测与定位多任务loss 训练一次完成目标检测与定位

3. ROIPool layer从cnn卷积得到的特征图中选出了感兴趣区域，又因为后面卷积层共享要将选出的区域进行尺寸统一（用池化的范式）77;比如特征图上大小为2020，缩减为77，则划分区域边长为20/7=2（取整），22的区域里max pool取最大值替代2*2区域
   

4. CNN卷积网络用VGG16替换了原来的Alexnet 卷积层更深，提取更多的语义特征

5. 指标整个过程耗时3s左右，ss区域提取就要2-3s（cpu），不能达到实时，但是比R_CNN训练简单 时间更短

faster_rcnn

说明：可以输入任意尺寸图片，因为有ROIPOOL layer层。论文题目是toward real time 向着实时处理的目标去的，但是是非实时，5PFS。ss提取候选区很耗费时间，所以本文用RPN算法替换了ss搜索区域算法。其他并没有什么变化。
阐述一下faster_rcnn的创新点（与fast_rcnn的区别）

RPN：即滑动窗筛选候选区，定义了三种尺寸，三种长宽比，也就是说同一个锚点有9个候选区域。对于mn整幅图而言就会提取出Mn*9个候选框。sacle表示面积。ratios表示长宽比

在训练过程中的评价标准
IOU，ground truth 表示训练过程中的监督样本

mask_rcnn

说明：mask_rcnn = faster_rcnn+fcn(识别出mask)可以输入任意尺寸图片，因为有ROIAlign layer层。

1. resnet101/resnet50替换了VGG16网络更深，直接好处就是特征图语义信息更多
2. RoiAligen 替换了 Roi pool 提高了定位精确度 同时给像素级别的实例分割提供了良好的基础。
   与ROIPool区别是，没有进行两次量化，而是保留了小数位，进行插值然后进行池化；
   插值公式如下：由于插值点在正中心 其实公式可以化解为，0.25f1+0.25f2
   +0.25f3+0.25f4
   
3. FPN 低分辨率，强语义特征和高分辨率弱语义特征相结合，可以很好解决小尺寸目标问题（有的目标太小，还没有步长大，这样卷积池画后特征就消失了）
   
   如图所示，在本论文应用中是从第二阶段卷积成对卷积特征处理，第一阶段卷积层太大。前向处理是下采样过程，然后将最后一层最深语义特征的特征图进行上采样，每进行一次上采样输出大小与其上一层的大小一致，同时将上一层做11的卷积，主要是把通道数（取决于卷积的kenel数）变换为一致，然后才能融合，融合方式为1对1相加。
   
   5mask_rcnn fcn
   
   在RPN选出的roi上，进行卷积如上图右边所示，生成k个MM的掩膜，对每一个像素点应用sigmoid ，然后>0.5归为前景，反之归为背景。

loss计算：（平均二值交叉损失熵）