1. RCNN

论文：Rich feature hierarchies for accurate object detection and semantic segmentation

地址：https://arxiv.org/abs/1311.2524

分为两个阶段：

• 目标候选框Object Proposals
• Proposals缩放后放入CNN网络

目标候选框的实现：区域提案方法（Extract region proposals）：使用选择性搜索selective search提取2000个候选区域，经过得到的(x',y',w',h')与现实标注(x,y,w,h)以欧式距离损失做回归

对候选框bounding box进行评分和整合。

selective search

使用一种过分隔方法，将图片分隔成比较小的区域

计算所有临近区域之间的相似性，包括颜色、纹理、尺度等

将相似度比较高的区域合并到一起

计算合并区域和临近区域到相似度

迭代合并，知道整个图片变成一个区域。

在选取候选框的时候，除了选择性搜索，还可以使用边缘框edge boxes的方法。

RCNN过程

• 一张图像生成1000到2000个候选区域（使用selective search方法）
• 对每个候选区域，使用深度网络提取特征（卷积池化）
• 特征送入每一类SVM分类器，判别是否属于该类
• 使用回归器精细修正候选框位置

不是一个端到端的结构，整体结构比较松散。

1. 候选区域的生成

   利用Selective Search算法通过图像分割的方法得到一些原始区域，然后使用一些合并策略将这些区域合并，得到一个层次化的区域结构，而这些结构就包含着可能需要的物体。

2. 对每个候选区域，使用深度网络提取特征

   将2000个候选区域缩放到$277\times 277pixel$，接着将候选区域输入事先训练好的AlexNet CNN网络中，获取4096维到特征，得到$2000\times 4096$维矩阵。

   

3. 特征送入每一类的SVM分类器，判定类别

   将$2000\times 4096$维特征与20个SVM组成的权值矩阵$4096\times 20$相乘，获得$2000\times 20$维矩阵表示每个建议框是某个目标类别的得分。分别对上述$2000\times 20$维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框。

4. 使用回归器精细修正候选框位置 - 依然是针对CNN输出的特征向量进行预测

   对NMS处理后剩余的建议框进一步筛选。接着分别用20个回归器对上述20个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的bounding box。

   如图，黄色框口P表示建议框Region Proposal，绿色窗口G表示世纪框Ground Truth，红色窗口$\hat{G}$表示Region Proposal进行回归后的预测窗口，可以用最小二乘法解决的线性回归问题。

非极大值抑制（NMS）

非极大值抑制，为了去除冗余的检测框。

在对conv5后的特征图，接入SVM进行打分，打好分后做非极大值抑制。

非极大值抑制过程：

• 假设有3个框，根据SVM的打分顺序：概率从大到小为A、B、C
• 判断B、C与A的重复率IoU是否大于阀值，如果大于阀值，则丢弃。如果小于阀值，则保留。
• 保留下来的框，根据打分排序，重复上诉过程。

IoU 交并比

Bounding-box regression是用来微调窗口的。

(x,y,w,h)：x，y为平移，w,h为尺度缩放。

RCNN框架

---

2. Fast-RCNN

论文：Fast R-CNN

地址：https://arxiv.org/abs/1504.08083

Fast R-CNN是继R-CNN之后的又一力作。同样使用VGG16作为网络的backbone，与R-CNN相比，训练时间快6倍，测试推理时间快213倍，准确率从62%提升至66%（在Pascal VOC数据集上）。

Fast RCNN算法流程

• 一张图像生成1000到2000个候选区域（使用Selective Search方法）
• 将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵
• 将每个特征矩阵通过ROI Pooling层缩放到$7\times 7$大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果。

一次性计算整张图像特征。不限制输入图像的尺寸。Fast-RCNN将整张图像送入网络，紧接着从特征图上提取相应的候选区域。这些候选区域的特征不需要再重复计算。而对于R-CNN，是一次将候选框区域输入卷积神经网络得到特征。

分类器，输出N+1个类别的概率（N为检测目标的种类，1为背景），用N+1个节点。

边界框回归器，输出对应N+1个类别的候选边界框回归参数$(d_x,d_y,d_w,d_h)$，共$(N+1)\times 4$个节点。

Fast RCNN损失函数

分类损失：$L_{cls}(p,u)=-log{p}_u$

边界框回归损失：
L l o c ( t u , v ) = ∑ i ∈ { x , y , w , h } s m o o t h L 1 ( t i u − v i ) s m o o t h L 1 ( x ) = { 0.5 x 2     i f ∣ x ∣ < 1 ∣ x ∣ − 0.5     o t h e r w i s e L_{loc}(t^u,v) = \sum_{i\in\{x,y,w,h\}}smooth_{L_1}(t^u_i-v_i) \\ smooth_{L_1}(x) = \begin{cases} 0.5x^2 \ \ \ if |x|<1 \\ |x|-0.5 \ \ \ otherwise \end{cases} Lloc​(tu,v)=i∈{x,y,w,h}∑​smoothL1​​(tiu​−vi​)smoothL1​​(x)={0.5x2   if∣x∣<1∣x∣−0.5   otherwise​

补充：Cross Entropy Loss交叉熵损失

1. 针对多分类问题（softmax输出，所有输出概率和为1）
   $$H=-\sum _i{o}_i^{\ast }log(o_i)$$

2. 针对二分类问题（sigmoid输出，每个输出节点之间互不干预）
   $$H=-\frac{1}{N}\sum _{i=1}^N[o_i^{\ast }log{o}_i+(1-o_i^{\ast })log(1-o_i)]$$
   其中$o_i^{\ast }$为真实标签值，$o_i$为预测值，默认$log$以$e$为底等于$ln$

Fast RCNN框架

---

3. Faster-RCNN

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

网址：https://arxiv.org/abs/1506.01497

Faster RCNN是继Fast RCNN后的又一力作。同样适用VGG16作为网络的backbone。

RNP+Fast R-CNN

Faster RCNN算法流程

• 将图像输入网络得到相应的特征图
• 使用RPN结构生成候选框，将RPN生成的候选框投影到特征图上获得相应的特征矩阵
• 将每个特征矩阵通过ROI Pooling层缩放到$7\times 7$大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果。

RPN网络

对于特征图上的每个$3\times 3$的滑动窗口，计算出滑动窗口中心点对应原始图像上的中心点，并计算出k个anchor boxes（注意和proposal的差异）

需要提前设定好k个不同尺寸比例的anchor。在faster rcnn中给了三个尺度和三个比例。

三种尺度（面积）：$128^2，256^2，512^2$，（面积具体数字，论文中说是根据经验所得）

三种比例：$1:1，1:2，2:1$

意思就是，在$128^2$这个尺度上，有$1:1，1:2，2:1$三个anchor，在$256^2$这个尺度上，有$1:1，1:2，2:1$三个anchor，在$512^2$这个尺度上，有$1:1，1:2，2:1$三个anchor。分别来负责检测不同大小的物体。

每个位置（每个滑动窗口）在原图上都对应有$3\times 3=9$个anchor。

但是存在一个问题，VGG的感受野为228，那怎么去预测一个比它大的目标的边界框呢？如去预测$256^2，512^2$尺度上的物体。论文中说，通过一个小的感受野去预测一个比它大的目标的边界框是有可能的，根据经验，我们看到一个物体的一部分，可以猜出这个物体的位置区域。

对于一张$1000\times 600\times 3$的图像，大约有$60\times 40\times 9(20k)$个anchor，忽略跨越边界的anchor以后，剩下约$6k$个anchor。对于RPN生成的候选框之间存在大量重叠，基于候选框的$cls$得分，采用非极大值抑制，$IoU$设置为0.7，这样每张图片只剩2k个候选框。

在原论文中k=9

利用RPN生成的边界框回归参数将anchor调整到我们所需要的候选框。

对于每张图片，上万个anchor中，采样256个anchor，由正样本和负样本两部分组成，比例大概为1:1。如果正样本个数不足128，则用负样本进行填充。

定义为正样本的方式：

• 只要anchor与ground-truth box的IoU大于0.7，则这个anchor为正样本。
• anchor与某个ground-truth box拥有最大的IoU，则也认为它为正样本。

定义为负样本的方式：

• 与所有ground-truth box的IoU小于0.3的anchor，则定义为负样本

对于正样本与负样本之外的所有anchor，则丢弃掉。

RPN损失函数

• $p_i$表示第$i$个anchor存在目标的概率
• $p_i^{\ast }$当为正样本时为1，当为负样本时为0
• $t_i$表示预测第$i$个anchor的边界框回归参数
• $t_i^{\ast }$表示第$i$个anchor对应的GT Box
• $N_{cls}$表示第一个mini-batch中的所有样本数量256
• $N_{reg}$表示anchor位置的个数（不是anchor个数）约2400

分类损失：二值交叉熵损失

回归损失：

Faster R-CNN训练

直接采用RPN Loss + Fast R-CNN Loss的联合训练方法

原论文中采用分别训练RPN以及Fast R-CNN的方法：

• 利用ImageNet预训练分类模型初始化前置卷积网络层参数，并开始单独训练RPN网络参数。
• 固定RPN网络独有的卷积层以及全连接层参数，再利用ImageNet预训练分类模型初始化前置卷积网络参数，并利用RPN网络生成的目标建议框去训练Fast RCNN网络参数。
• 固定利用Fast RCNN训练好的前置卷积网络层参数，去微调RPN网络独有的卷积层以及全连接层参数。
• 同样保持固定前置卷积网络层参数，去微调Fast RCNN网络的全连接层参数。最后RPN网络与Fast RCNN网络共享前置卷积网络层参数，构成一个统一网络。

Faster-RCNN框架