深度学习算法原理——RCNN

偏执的太偏执、 2023-08-17 16:57 89阅读 0赞

# 1. 概述 #

RCNN（Region with CNN features）算法发表在2014年CVPR的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》中，这篇文章是目标检测领域的里程碑式的论文，首次提出使用卷积神经网络（Convolutional Neural Networks, CNNs）处理目标检测（Object Detetion）的问题。

# 2. 算法思想 #

## 2.1. 基本概念 ##

### 2.1.1. IoU ###

IoU（Intersection-over-Union），即交并比。是目标检测中使用到的一个重要概念，是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU表示的是预测的候选框（candidate bounding box）与原标记框（ground truth bounding box）的交叠率（或者重叠度），也就是它们的交集与并集的比值。相关度越高该值。最理想情况是完全重叠，即比值为1，如下图所示：  
![在这里插入图片描述][20200807000458490.jpg_pic_center]  
那么，IoU的计算公式为：  
 I o U = A ∩ B A ∪ B IoU=\\frac\{A\\cap B\}\{A\\cup B\} IoU=A∪BA∩B

### 2.1.2. 边框回归Bounding Box regression ###

在RCNN中，使用边框回归的目的是提高检测位置的准确性。那么，Bounding Box Regression具体如何做呢？  
假设数据集中有 N N N个训练数据 \{ ( P i , G i ) \} i = 1 , ⋯   , N \\left \\\{ \\left ( P^i,G^i \\right ) \\right \\\}\_\{i=1,\\cdots ,N\} \{ (Pi,Gi)\}i=1,⋯,N，其中 P i P^i Pi表示的是预测的边框，且 P i = ( P x i , P y i , P w i , P h i ) P^i=\\left ( P\_x^i,P\_y^i,P\_w^i,P\_h^i \\right ) Pi=(Pxi,Pyi,Pwi,Phi)， x x x和 y y y表示的是边框中心点的坐标， w w w和 h h h表示的是边框的宽高。 G i G^i Gi表示的是实际的边框，其结构与 P i P^i Pi一致。我们的目标是寻找到一个映射 f f f，使得 f ( P x i , P y i , P w i , P h i ) = ( G ^ x i , G ^ y i , G ^ w i , G ^ h i ) f\\left ( P\_x^i,P\_y^i,P\_w^i,P\_h^i \\right )=\\left ( \\hat\{G\}\_x^i,\\hat\{G\}\_y^i,\\hat\{G\}\_w^i,\\hat\{G\}\_h^i \\right ) f(Pxi,Pyi,Pwi,Phi)=(G^xi,G^yi,G^wi,G^hi)，同时 ( G ^ x i , G ^ y i , G ^ w i , G ^ h i ) ≈ ( G x i , G y i , G w i , G h i ) \\left ( \\hat\{G\}\_x^i,\\hat\{G\}\_y^i,\\hat\{G\}\_w^i,\\hat\{G\}\_h^i \\right )\\approx \\left ( G\_x^i,G\_y^i,G\_w^i,G\_h^i \\right ) (G^xi,G^yi,G^wi,G^hi)≈(Gxi,Gyi,Gwi,Ghi)。  
在RCNN中，边框回归是利用平移变换和尺度变换实现的。其中，平移变换为：  
 \{ G ^ x = P w d x ( P ) + P x G ^ y = P h d y ( P ) + P y \\left\\\{\\begin\{matrix\} \\hat\{G\}\_x=P\_wd\_x\\left ( P \\right )+P\_x\\\\ \\hat\{G\}\_y=P\_hd\_y\\left ( P \\right )+P\_y \\end\{matrix\}\\right. \{ G^x=Pwdx(P)\+PxG^y=Phdy(P)\+Py  
尺度变换为：  
 \{ G ^ w = P w e x p ( d w ( P ) ) G ^ h = P h e x p ( d h ( P ) ) \\left\\\{\\begin\{matrix\} \\hat\{G\}\_w=P\_wexp\\left ( d\_w\\left ( P \\right ) \\right )\\\\ \\hat\{G\}\_h=P\_hexp\\left ( d\_h\\left ( P \\right ) \\right ) \\end\{matrix\}\\right. \{ G^w=Pwexp(dw(P))G^h=Phexp(dh(P))  
其中， d ∗ ( P ) d\_\{\\ast\} \\left ( P \\right ) d∗(P)可以建模成特征（在RCNN中为 p o o l 5 pool\_5 pool5，可以表示为 ϕ 5 ( P ) \\phi \_5\\left ( P \\right ) ϕ5(P)）的线性函数，即： d ∗ ( P ) = w ∗ T ϕ 5 ( P ) d\_\{\\ast\} \\left ( P \\right )=\\mathbf\{w\}^T\_\{\\ast\} \\phi \_5\\left ( P \\right ) d∗(P)=w∗Tϕ5(P)，我们需要学习到参数 w ∗ \\mathbf\{w\}\_\{\\ast\} w∗，可通过对求解如下的最小化问题，得到对应的解：  
 w ∗ = a r g m i n w ^ ∗ ∑ i N ( t ∗ i − w ^ ∗ T ϕ 5 ( P i ) ) 2 + λ ∥ w ^ ∗ ∥ 2 \\mathbf\{w\}\_\{\\ast\}=\\underset\{\\hat\{\\mathbf\{w\}\}\_\{\\ast\}\}\{argmin\}\\sum\_\{i\}^\{N\}\\left ( t^i\_\{\\ast\}-\\hat\{\\mathbf\{w\}\}^T\_\{\\ast\}\\phi \_5\\left ( P^i \\right ) \\right )^2+\\lambda \\left \\| \\hat\{\\mathbf\{w\}\}\_\{\\ast\} \\right \\|^2 w∗=w^∗argmini∑N(t∗i−w^∗Tϕ5(Pi))2\+λ∥w^∗∥2

### 2.1.3. 非极大抑制NMS ###

非极大抑制NMS（non maximum suppression），从其名称就可以看出，NMS想要做到的是找到局部的极大值，抑制非极大值，主要用于在图像检测中剔除掉检测出来的冗余的bbox。对于目标检测算法，最终我们会得到一系列的bbox以及对应的分类score，NMS所做的工作就是将同一个类别下的bbox按照分类score以及IoU阈值做筛选，剔除掉冗余的bbox，NMS的具体过程为：

*  在算法得到一系列bbox后，按照类别划分；
 *  对于每一个分类，根据分类score对该类别下所有的bbox做降序排列，最终得到一个排好序的列表list\_i；
 *  从列表list\_i中取出最大score的bbox\_x，并将其与list\_i中所有其他的bbox\_y计算IoU，若IoU大于某个阈值T，则剔除bbox\_y，最终保留bbox\_x；
 *  从剩余的list\_i中重复上述的选择操作，直到list\_i中的bbox都完成筛选；
 *  对其余的类别的列表重复上述两步的操作；

## 2.2. 算法思想 ##

RCNN算法的流程图如下所示：  
![在这里插入图片描述][20200805230531641.png_pic_center]  
从图中可以看出，RCNN主要包括三个部分：区域提名（Region Proposal），特征计算以及分类算法。其中区域提名阶段使用到了Selective Search的方法，通过Selective Search的方法产生约2000个目标可能出现的位置；特征计算阶段使用CNN算法，文章中使用AlexNet卷积神经网络，通过对 227 × 227 227\\times 227 227×227大小的图像计算，得到4096维的特征；分类阶段是单独训练了SVM的分类器，对每一个类别训练一个二分类的分类器（yes/no）。

## 2.3. 模型训练 ##

在模型训练之前，首先需要的是训练数据集，文章中使用的是VOC数据集，数据集中包含了20个类别的物体。RCNN模型的训练需要分为几个部分单独计算，按照上述流程，分为三个部分：

*  Region Proposal：对于训练集中的所有图像，使用selective search对每张图像提取出约2000个region proposal，将提取出的region proposal保存在本地。
 *  AlexNet的特征计算：通常，CNN模型都会使用到预训练模型，同样，这里使用的AlexNet模型也是在ILSVRC 2012上预训练的模型。针对此处的训练数据集，需要对模型Fine-tuning。针对Fine-tuning过程中使用到的数据集，对于一个region proposal，如果其和图像上的所有ground truth中交并比IoU大于等于0.5，则该region proposal作为这个ground truth类别的正样本，否则作为负样本，此外。ground truth也作为正样本。因为VOC一共包含20个类别，另外还包括背景，所以这里region proposal的类别为21类。在此数据集上对CNN模型进行Fine-tuning。
 *  对于每一个类别训练SVM模型：利用CNN模型，对2000个region proposals提取特征，得到 2000 × 4096 2000\\times 4096 2000×4096的特征，对于每一个类别训练一个SVM模型。此处的训练样本与特征计算过程中不一致，这里IoU<0.3的是负样本，Ground Truth是正样本。
 *  边界框回归：得到AlexNet的 p o o l 5 pool\_5 pool5特征和bounding box的ground truth来训练bounding box regression，只对那些跟ground truth的IoU超过某个阈值的proposal进行训练，其余的不参与，从而对proposal的边框修正。

## 2.4. 模型推理 ##

在推理阶段（测试阶段），对于一张待检测图片，主要分为以下几个部分：

*  使用Selective Search提取出约2000个region proposals；
 *  将每一个region proposal缩放到AlexNet需要的大小，即 227 × 227 227\\times 227 227×227，通过AlexNet对每一个region proposal计算出4096维特征；
 *  对于每一个类，使用对应的SVM分类器计算出对应类别的概率，通过IoU过滤掉不符合阈值的边框；
 *  利用边框回归对最终的边框修正；

# 3. 模型存在的问题 #

RCNN的提出对于目标检测领域来说是个里程碑式的进步，但是RCNN算法中存在许多的不足，从上述流程可以发现，可以发现：

*  过程太多，而且较为分散，同时需要存储中间的计算结果（region proposals以及每一个region proposal的CNN特征）；
 *  存在重复的计算，每一个region proposal都需要计算CNN特征；

# 参考文献 #

*  [Rich feature hierarchies for accurate object detection and semantic segmentation][]
 *  [【计算机视觉——RCNN目标检测系列】一、选择性搜索详解][RCNN]
 *  [【计算机视觉—RCNN目标检测系列】二、边界框回归（Bounding-Box Regression）][RCNN_Bounding-Box Regression]
 *  [http://www.rossgirshick.info/][http_www.rossgirshick.info]

[20200807000458490.jpg_pic_center]: /images/20230809/e3439187bf224400b0731a76a76f691c.png
[20200805230531641.png_pic_center]: /images/20230809/66b0ca891eb749e0a52db7e13a8ed066.png
[Rich feature hierarchies for accurate object detection and semantic segmentation]: https://arxiv.org/abs/1311.2524
[RCNN]: https://zhuanlan.zhihu.com/p/76597921
[RCNN_Bounding-Box Regression]: https://zhuanlan.zhihu.com/p/76603583
[http_www.rossgirshick.info]: http://www.rossgirshick.info/