RCNN_一句话总结rcnn

基本情况

RBG大神的RCNN(Rich feature hierarchies for accurate object detection and semantic segmentation)是当之无愧的将CNN引入到目标检测的开山之作，其后续的Fast R-CNN, Faster R-CNN更是将CNN以及提出的RPN用到了高潮。之前拜读过大神的文章，但是有些理解不够深刻，今天斗胆进行归纳一二。

首先，说明一下RCNN的基本情况，RCNN检测一张图片中所有类目标的速度大致在45秒，同时相对于之前应用于目标检测经典的sliding windows类的方法，其采取了Selective Search的方法进行候选框的标定，然后再使用CNN进行候选框的选择与分类。其使用两个数据库： 一个较大的识别库（ImageNet ILSVC 2012）：标定每张图片中物体的类别。一千万图像，1000类。 一个较小的检测库（PASCAL VOC 2007）：标定每张图片中，物体的类别和位置，一万图像，20类。 本文使用识别库进行预训练得到CNN（有监督预训练），而后用检测库调优参数，最后在检测库上评测。

总体流程

RCNN算法实际上可以划分为四个步骤，分别为：

1. 候选区域生成： 使用Selective Search方法在一张图像上生成1K～2K个候选区域
2. 特征提取：对每个候选区域，使用CNN提取特征
3. 类别判断：特征传入每一类的SVM分类器中，判断是否属于该类
4. 位置精修：使用回归器精细修正候选框位置

论文的流程如图所示：

候选区域生成

为了解论文中提到的候选区域生成的基本思想，我们首先了解一下Selective Search的基本思想。

Selective Search

1. 使用过度分割，将图像分割成1k～2k个小区域
2. 查看现有小区域，依照合并规则合并可能性最高的相邻两个区域。重复直到整张图合并成一个区域为止
3. 输出所有曾经存在过的区域，作为所有的候选区域

合并规则

1. 颜色相近(颜色直方图)
2. 纹理相近(梯度直方图)
3. 防吞并合并(若区域a-b-c-d, 合并方式为ab-cd, 而不是ab-c-d, abc-d)
4. 合并后，总面积在其bounding box中所占比例大的

候选区域生成

合并之后的区域特征可以直接通过子区域的特征计算得到。

而由于CNN网络要求输入的大小是一定的，在RCNN中也就是设置的227*227。因此我们需要进行图片的缩放。

在论文中提到了两种缩放的方法。一种是各项异性缩放，另外一种是各项同性缩放。

各项异性缩放的基本思想是无论得到的初始候选区域是多大，都将其之间缩放到227*227的大小。各项同性缩放有两种实现方式，一种是先扩充后裁剪：先在原始图片上将bounding box边界扩展成正方形，然后再进行裁剪，如果已经延伸到了原始图片的外边界，那么就用bounding box中的颜色均值填充；另外一种是先裁剪后扩充：先把bounding box的图片裁剪出来，然后用背景颜色填充成填充成正方形图片(背景颜色也是采用bounding box像素颜色的均值)。

同时，上述异性、同性缩放的过程中，还伴随着padding的处理。实验结果表明，使用各项异性缩放，padding=16时的精度最高。

此外，值得注意的是，由于更深的网络，更大的输入图片和滑动步长，使得使用滑动窗口来定位的方法充满了挑战，因此论文中最后放弃了使用sliding windows的策略。

特征提取

网络架构设计

论文中讨论了AlexNet和VGG-16两种网络，最后考虑各种因素选择了速度较快，但是精度较低的AlexNet。

经过测试，ALexNet的精度是58.5%, 而VGG-16精度为66%。虽然VGG模型由于使用较小的卷积核、选择较小的跨步，网络的精度相当高，但是计算量确实AlexNet的7倍。

本来RCNN基本思路的计算量就比较大，可能是考虑这种因素最后选择了AlexNet，同时也正式因此可以考虑使用SqueezeNet的网络结构。

ALexNet的特征提取部分包含了5个卷基层，两个全连接层，在AlexNet中p5层神经元个数为9216，f6，f7神经元个数均为4096，通过这个网路的训练之后，每个输入候选图片都能够得到一个4096维的特征向量。

参数初始化

由于物体检测的一个难点在于，物体标签的训练数据较少，如果直接采用随机初始化CNN参数的方法，那么目前的训练数据量是远远不够的。这种情况之下最后使用某种方法将参数初始化，然后再进行有监督的参数微调。所有文章在设计网络结构的时候，直接用AlexNet网络，直接使用其参数进行网路初始化，然后fine-tuning进行网络参数微调。网络优化求解时采用SGD，learning-rate设置为0.001。

Fine-tuning

我们接着采用 selective search 搜索出来的候选框 （PASCAL VOC 数据库中的图片） 继续对上面预训练的CNN模型进行fine-tuning训练。假设要检测的物体类别有N类，那么我们就需要把上面预训练阶段的CNN模型的最后一层给替换掉，替换成N+1个输出的神经元(加1，表示还有一个背景) (20 + 1bg = 21)(CNN前五层卷积层就是通用的特征提取器，二后面的两个全连接层学习到的特征就是针对特定任务的特征)，然后这一层直接采用参数随机初始化的方法，其它网络层的参数不变；接着就可以开始继续SGD训练了。开始的时候，SGD学习率选择0.001，在每次训练的时候，我们batch size大小选择128，其中32个为正样本，96个为负样本。

同时考虑到一张图片有2000个候选框，但是人工标注的数据一张图片仅仅标注了一个正确的bounding box，因此搜索出来的2000个候选框不可能会出现一个与人工标注完全匹配的候选框。因此我们选择那些IOU大于0.5的数据作为正样本，其他的作为负样本。

类别判断

同样是执行分类任务的CNN和SVM，为何在使用了CNN之后又进行SVM的分类呢？原因是CNN与SVM训练过程的正负样本定义方式不同，导致了softmax输出比采用SVM精度低。因为CNN在训练时为了防止过拟合，需要大量训练数据，所以IOU设置为了大于0.5；而SVM本来就是适用于少样本训练的，因此对IOU要求较高，也就是需要整个bounding box都在其中。

实验表明，在SVM训练阶段使用0.3的IOU效果最好，训练之后得到的每张图是一个2000*4096的矩阵，然后乘以对应类别的SVM(4096*20), 即可得到对某一类的分数。

接着使用NMS除去多余的框，再对这些框进行canny边缘检测，就可以得到bounding box了。

位置精修

目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。 回归器：对每一类目标，使用一个线性脊回归器进行精修。正则项λ=10000。 输入为深度网络pool5层的4096维特征，输出为xy方向的缩放和平移。 训练样本：判定为本类的候选框中和真值重叠面积大于0.6的候选框。

The End.