RCNN系列目标检测算法详解
作者：互联网
目录
前言本博文会好好再次整理一下排版和细节问题。
一、两阶段检测算法发展历程R-CNN
如何将深度学习分类算法应用到目标检测？
用深度学习分类模型提取特征方法代替传统图像特征提取算法。
R-CNN核心思想
对每张图片选取多个区域，然后每个区域作为一个样本进入一个卷积神经网络来抽取特征。
R-CNN网络结构
R-CNN网络效果
Fast R-CNN
核心思想： 简化R-CNN计算复杂度
Fast R-CNN 网络效果
Faster R-CNN
CNN：backbone
-
Faster R-CNN网络结构
CNN也成为backbone，骨干网络。
通过cnn得到一些特征图作为输出，提取候选区域，而faster r-cnn对应部分就是RPN，RPN是上图虚线框的部分。
首先我们会把输出的特征图的每一个点作为中心点，提前生成大小比例不同的框，这些框成为anchor。对于每一个anchor又会生成两个分支：第一个是分类分支，负责判断这张图上有木有东西，而并不关心框出来的这个物体是什么 ，比如是狗还是猫。第二个分支是回归分支，表示的是anchor离真实框有多远，期望的是我最后提取出来的候选框向真实框靠拢。接下来，我们会把RPN输出的候选框做一定的处理进入RoI pooling,也就是进入第二阶段的计算。第二阶段同样有两个分支，一个是分类分支，一个回归分支。在分类分支中，这里就需要判断这个物体是什么类别了，比如说框出来的物体是猫还是狗；回归分支，这里就会对预测框做进一步的微调，向真实框靠近。整体上，就真正实现了端到端的训练。简言之：
第一个阶段：产生候选区域- 使用anchor替代Selective Search选取候选区域
- 选出包含物体的anchor进入ROI Pooling提取特征
第二个阶段：对候选区域进行分类并预测目标物体位置
-
Anchor
期望就是这些边界框包含所有的真实框，因此就会看到右边的图。
conv feature map，也就是上图的红色框，他就是CNN（骨干网络）输出的特征图，作为整体RPN的输入。首先它会经过一个33的卷积，然后分为两个分支,分别使用一个11的卷积得到一个分类分支和回归分支。通常我们会在每个像素点生成9种anchor,所以我们这里的K就是9。在分类分支中，就需要2维度来判断anchor中包不包含物体，而在回归分支中就需要4维来判断anchor与真实框的位置。接下来我们再将RPN部分中的输出与anchor进行结合，最终得到RPN网络的一个输出，也就是这个最终的候选框proposals，我们也叫RoI，去进入到后续的网络计算。为了更好的说明左边的图，右边的图分部分更好举例说明来一下。输入为15126040的特征图，经过一个33的卷积得到一个12566040的特征图，也就在这个图上开始生成anchor，每个特征点有9个anchor，这是就有21600个anchor了(18=29,36=4*9)。最后呢，根据RPN的输出与21600个anchor来生成N个proposals,作为最终RPN的输出。
带着"RPN网络怎么训练？"与“如何根据RPN网络得到Proposals？”的两个问题来研究一下。
RPN网络训练策略：
a) 向RPN网络输入一个监督信息，判断Anchor是否包含物体
- Anchor包含物体 – 正样本
- Anchor不包含物体 – 负样本
b) 根据Anchor和真实框IOU取值，判断正or负样本
- 正样本：
- 与某一个真实框IoU最大的Anchor
- 与任意真实框IoU>0.7的Anchor
- 负样本：
- 与所有真实框的IOU< 0.3的Anchor
c) 采样规则：
- 共采样256个样本
- 从正样本中随机采样，采样个数不超过128个
- 从负样本中随机采样，补齐256
正样本：
这样就会出现一个真实框会对应多个正样本的anchor，但我们使用“与任意真实框IoU>0.7的anchor”就足够来确定正样本来。但是就会有一个特殊情况，有一个真实框与所有的anchor都小于0.7的话，我们就用第一个条件“与某一个真实框IoU最大的anchor”作为正样本。
负样本：
大于0.3小于0.7我们就忽略。如下图所示。
橙色为正样本，蓝色为负样本，白色忽略不及为样本。
有21600个anchor，虽然忽略来不上样本，但是数量依旧很多，那么我们就采用一些规则来涮选一些样本出来。
得到来一些anchor之后，我们干什么呢？那么我们就需要明白RPN网络我们想要得到什么？
RPN网络监督信息
回归分支，如上图：
偏移量是什么呢？红色框是真实的框，黄色框是anchor，而我们要学的偏移量就是这四个黄色箭头，要是我们偏移量学的足够好的话，我们就可以用anchor和偏移量得到我们的预测框了，那么我们的预测框就能够和真实框足够地接近。
监督信息也就是上图两个红色箭头的过程，去计算这个偏移量，计算的方式就是上面的公式，（中心点和宽高）这样我们就可以生成四个监督信息来，也就是tx,ty,tw,th，也就是我们要学的偏移量了，也就是我们真实框离acnhor到底有多远。
现在我们有来RPN的输出以及RPN的监督信息，下面就可以计算RPN的损失函数loss了。
先看下图的计算公式，是分类分支和回归分支的加权和。
RPN网络Loss
注意上的p*,分类监督信息，只可能取值1或者0，只会作用于回归分支，也就是说回归分支只对正样本进行回归。
下面看一下具体的损失函数，分类分支采用二值分类交叉熵，回归分支采用smooth L1 loss。
看一下回归分支loss，看下面的函数表达式，是L1和L2loss的集合体。为什么要用这个函数呢？主要想法是，当预测框与监督信息差别过大时，我们不希望梯度值过大，当预测框监督信息差别很小时，我们希望梯度足够小，看下面loss的梯度，我们就知道“当预测框与监督信息差别过大时，我们梯度值不至于过大，当预测框监督信息差别很小时，梯度足够小”
RPN网络回归分支Loss
以上，我们就完成来RPN的训练了，接下来呢，我们就将RPN的输出和anchor得到proposals，也就是RoI,来进入到后续的网络中。怎么做呢？首先，将RPN的输出和anchor进行解码来得到预测框，这个解码是干啥的呢？其实先前再将偏移量和监督信息的时候，有提到过，就是下图的过程，也就是要将偏移量应用到anchor上，去形成这个预测框，其实它是跟我们的真实框与anchor生成偏移量相反的逻辑。接下来呢，就会对这些预测框进行一个chip，也就是将预测框的位置限制在图片的范围之内，目前呢，还是保留了全量的预测结果。下面我们就会对这些预测框一系列地过滤。首先会将面积太小的过滤掉，接下来又会对他们的分数进行排序，将那些分数低的过滤掉，再接下来，我们又会进入到一个NMS的操作（目的去掉一些非常接近的目标框），NMS结束之后，又会对分数进行一个排序，将分数低的过滤掉。最终我们就会得到Proposals，通常我们会选择2000个框进入到后续网络计算。
在完成RPN之后，我们就得到了候选框了，接下来希望的是对这些候选框提取对用的特征。这个时候就会说到RoI Pooling这个操作了，之前在Fast R-CNN也提到过。这个RoI Pooling最早是在spp-Net中提出的，它的核心思想就是，所有的候选框都能共享一个特征图，并且保持最终的输出大小是一致的。那它具体做的事情呢，就是将候选框分为若干子区域，每个区域对应到原来的输入特征图上，取每个区域内的最大值作为该区域的输出。
RoI Pooling
RoI Pooling不足
每个子区域面积不对等的，也就存在信息不对等的。
RoI Align
核心思想：
消除RoI Pooling中产生的误差
看上图，我们就去除来RoI pooling两次取证的过程了。这是我们就需要解决下一个问题：如何通过子区域得到RoI对应的特征输出呢？我们看上图最右边，蓝色的网格，它每个交叉点，都可以理解为特征图上每个特征点的位置，在RoI pooling当中，其实每一个子区域都可以用蓝色交叉点的位置来表示的。在RoI Align当中，它是怎么做的呢？如下图所示：
在完成RoI pooling或者说RoI Align之后，我们就得到了RoI的特征来了，我们就可以进入第二阶段，也就是BBox Head了。
BBox Head
首先我们看一下BBox Head网络结构，输入也就是RoI的输出[512, 1024, 14, 14]，经过一系列的卷积和pool，会得到Head Feature（512， 2048， 1， 1），然后这个特征图会经过两个FC，会得到两个分支，一个分类分支，一个回归分支。第二阶段，就需要对物体的类别进行分类了，同时，还需要对候选框的位置做进一步的微调，81是类别数，324是类别数乘以4的结果，最后再去计算一个loss。
预测部分，和fast rcnn很类似的，就是对head部分的输出做一个解码，得到一些预测框，然后再经过后处理，也就是NMS,也就得到来最终的预测结果了。
下面看一下BBox的训练过程：
为了保证正样本的数量，在采样的过程中，RoI是和真实框共同参与采样的，这样在采样的过程当中，就可能直接包含我们的真实框。
BBox Head中的监督信息
分类监督信息为2，我们会用一维度的向量「0， 0， 1， 0」来表示。
回归分支：16就表示有4个类别，如下所示
BBox Head Loss
Faster R-CNN效果
下面继续更新关于两阶段的优化策略。
标签：RoI,样本,算法,详解,CNN,RCNN,分支,anchor,RPN 来源： https://blog.51cto.com/u_11495341/3036177