检测论文综述（一） : 从RCNN到Mask-RCNN

对于目标检测方向并不是特别熟悉，本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。

RCNN - Rich feature hierarchies for accurate object detection and semantic segmentation

R-CNN的意思就是Region based，主要思路就是根据一张图像，提取多个region，再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为Region proposals, Feature extraction两个主要部分，提取的特征就可以输入任意一个分类器来进行分类。
模型的流程图如下：

RCNN

在具体的实现中

1. 图像中第2步的region proposals，可以使用selective search来进行，对于每一张图像，selective search大约提取出2000个框。
2. 接着，这个框所选中的图像区域，经过预处理（首先将框稍微扩张使得候选框能够包含部分context信息，也就是物体的环境信息，接着将扩张后的图像resize到固定大小）变成一个227*227大小的图像
3. 这些227*227的region图像输入到CNN中，最终的FC层输出4096维的特征向量
4. 分类，训练一个SVM用于分类

训练

在训练的时候，首先使用的是已经训练好的CNN网络作为特征提取器，但是由于预训练是在分类数据集上，因此在应用到检测之前要做finetune。也就是说，为了将用ImageNet数据集训练的网络应用到新的任务（检测），新的数据集（region）上，作者将原来的CNN最后的1000类的fc层，更改为了层，代表待检测的物体的类别数。然后，对于所有的region，如果它和ground truth的重叠率大于0.5，就认为是正类。
对于分类器的训练，作者发现选择多大的IoU来区分正类和负类非常关键。并且，对于每一类，都会训练一个分类器。

Bounding Box Regression

框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中，输入是 region proposal 的 和ground truth的，目标是学习一种变换，使得region proposal通过该变换能够接近ground truth。同时，希望这种变换拥有尺度不变性，也就是说尺度变化的话，变换不会改变。
如下图所示，每一个regressor会学习一组参数，特征输入是pool 5的特征输出，拟合的目标是。

regressor

变换目标

Fast-RCNN

Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取，会产生非常多的冗余计算，因此可以先对一张图像进行特征提取，再根据region proposal在相应的特征上进行划分得到对应region的特征（映射关系）。
这样便可以实现共享计算提高速度，但是与SPPnets不同，SPPnets在一副图像得到对应的特征后，从这张图像的特征上proposal对应的部分，采用空间金字塔池化，如下图：

空间金字塔池化

如此，对于不同输入大小的proposal都能得到一个固定大小的特征向量。
Fast R-CNN也采用了上面的办法，但是不同的是使用了一个RoI pooling 而不是空间金字塔池化，这就对应了Fast R-CNN解决的另外一个问题，就是多个阶段训练的问题。就像在讲解R-CNN的时候，R-CNN需要先使用selective search进行region的选择，再finetune一个预训练的模型，再训练SVM分类器，再进行框的回归。而Fast-RCNN将finetune和分类器的训练结合了起来。原因也非常简单，因此Fast R-CNN采用的RoI pooling是可以进行反向传播的，也就是可以求导的。
求导公式如下：

RoI求导

直观上讲，就是对于输入的

的每一个值，如果它是最大值，导数就是

，只是需要在每一个region proposal的每一个输出上进行累加。如果不是最大值，就是0。

RoI pooling层

RoI pooling的方法很简单，类似于空间金字塔pooling，它将proposal部分对应卷积层输出的特征（称之为RoI，因为用于做pooling的特征是 region of interest，也就是我们感兴趣的区域）划分成块，然后对每一块求最大值，最终得到了一个 的特征图。可以看出，它只是空间金字塔pooling的一部分。
但是SPP-nets的空间金字塔也是可以求导的，那么它到底不好在哪里呢？因为当每一个RoI都可能来源于不同的图像的时候（R-CNN和SPPnets的训练策略是从一个batch的不同图像中，分别挑选一个proposal region），SPPNets的训练非常地低效，这种低效来源于在SPPnets的训练中，每个RoI的感受野都非常地大，很可能对应了原图的整个图像，因此，得到的特征也几乎对应了整张图像，所以输入的图像也就很大。
为了提高效率，Fast-RCNN首先选取个图像，再从每个图像上选择个RoI，这样的效率就比从每个图像提取一个RoI提高了倍。

多任务 loss

为了将分类和框回归结合起来，作者采用了多任务的loss，来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接，就是将RoI得到的特征接几个FC层后，分别接不同的输出层。对应于分类部分，特征会接一个softmax输出，用于分类，对于框回归部分，会接一个输出4维特征的输出层，然后分别计算loss，用于反向传播。loss的公式如下：

loss

回归loss

回归的target可以参考前面的R-CNN部分。

notes

1. 尺度不变的检测。
2. 在进行预测的时候，还可以通过SVD来简化FC的运算来加快速度。

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

为什么比fast还fast呢？主要原因是在这篇论文中提出了一个新的层：RPN（region proposal networks）用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。
RPN的目的：

1. 有效地进行region proposal，在不同的大小，不同的尺度，不同的比例下
2. 支持反向传播
3. 支持在GPU上运算

4. 能够和Fast R-CNN结合起来运算
   如下图：

   
   
   faster rcnn结构

Region Proposal Networks

为了能够进行region proposal，作者使用了一个小的网络，在基础的卷积层输出的特征上进行滑动，这个网络输入大小为，输入后会映射（用的卷积）为一个固定长度的特征向量，然后接两个并联的fc层（用的卷积层代替），这两个fc层，一个为box-regressoin，一个为box-classification。如下图：

RPN

在每一个滑动窗口（可以参考https://blog.csdn.net/bingochenjx/article/details/78422290），为了考虑到尽可能多的框的情况，作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置，在该位置对应的原图位置的基础上，按照不同的尺度，长宽比例框出个不同的区域。然后根据这些anchors对应的原始图像位置以及区域，和ground truth，就可以给每一个滑动窗口的每一个anchor进行标记，也就是赋予label，满足一定条件标记为正类（比如和ground truth重叠大于一个值），一定条件为负类。对于正类，就可以根据ground truth和该anchor对应的原图的区域之间的变换关系（参考前面的R-CNN的框回归），得到回归器中的目标，用于训练。也就是论文中的loss function部分：

loss

自然地，也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类，负类的概率，另一个输出4k个值，用于表示框回归的变换的预测值。

训练RPN和Fast R-CNN

对于整个网络的训练，作者采用了一种叫做4-step Alternating Training的方法。具体可以参考论文。

Mask R-CNN

与之前的检测任务稍有不同，mask r-cnn的任务是做instance segmentation。因此，它需要对每一个像素点进行分类。
与Faster R-CNN不同，Faster R-CNN对每一个候选框产生两个输出，一个是类别，一个是bounding box的offset。Mask R-CNN新增加了一个输出，作为物体的mask。这个mask类似于ps中的蒙版。

与Faster R-CNN类似的是，Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后，对于每一个RoI，mask r-cnn还输出了一个二值化的mask。

Mask Representation

不像类别，框回归，输出都可以是一个向量，mask必须保持一定的空间信息。因此，作者采用FCN来从每个RoI中预测一个的mask。

RoIAlign

由于属于像素级别的预测问题，就需要RoI能够在进行特征提取的时候保持住空间信息，至少在像素级别上能够对应起来。因此，传统的取最大值的方法就显得不合适。
RoI Pooling，经历了两个量化的过程：
第一个：从roi proposal到feature map的映射过程。
第二个：从feature map划分成7*7的bin，每个bin使用max pooling。

为此，作者使用了RoIAlign。如下图

RoIAlign

为了避免上面提到的量化过程

1. 使用 x/16 而不是int(x/16)，也就是说在进行roi proposal到feature map的映射过程中，不进行四舍五入。
2. 对于每一个bin（也就是一个pooling之后的特征 对应的feature map的区域）使用bilinear interpolation来计算，之后使用max或者average pool。

可以参考https://blog.csdn.net/xiamentingtao/article/details/78598511

模型结构

作者使用ResNet作为基础的特征提取的网络。
对于预测类别，回归框，mask的网络使用如下图结构：

Head结构

总结

整体看完这几篇大佬的论文，虽说没有弄清楚每一个实现细节，但是大体上了解了算法的思路。可以看出，出发点都源于深度神经网络在特征提取上的卓越能力，因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取，到为了提高速度减少计算的Fast R-CNN，再到为了将region proposal集成进入整个模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到为了应用于instance segmentation任务中，设计的RoIAlign和mask。包括bounding box regression，pooling层的设计，训练方法的选择，loss的设计等等细节，无一不体现了大师们的思考和创造力。
可能在我们这些“拿来”者的眼中，这些方法都显得“理所应当”和巧妙，好用，但是，它们背后隐藏的选择和这些选择的思考却更值得我们学习。
以及，对待每一个问题，如何设计出合理的解决方案，以及方案的效率，通用性，更是应该我们努力的方向。