二階段目標(biāo)檢測算法（RCNN 家族）是目標(biāo)檢測中最經(jīng)典的算法之一，有 R-CNN -> Fast R-CNN -> Faster R-CNN，每一代的變化以及目的性都明確，也是目標(biāo)檢測領(lǐng)域二階段檢測必會的算法之一。

如果想對目標(biāo)檢測有粗略的了解請查看這兩篇文章：

目標(biāo)檢測綜述

目標(biāo)檢測快速入門（含YOLO V1原理詳解）

深度學(xué)習(xí)在目標(biāo)檢測應(yīng)用

R-CNN 算法在 2014 年提出，可以說是歷史性的算法，將深度學(xué)習(xí)應(yīng)用于目標(biāo)檢測領(lǐng)域，相較于之前的目標(biāo)檢測方法，提升多達(dá) 30% 以上，大大提高了目標(biāo)檢測效果，改變了目標(biāo)檢測領(lǐng)域的研究方向。

早在 2010 年，深度學(xué)習(xí)已經(jīng)初露鋒芒，為什么在 2014 年目標(biāo)檢測才可以說正式應(yīng)用深度學(xué)習(xí)技術(shù)呢？

這要從目標(biāo)檢測的場景以及目的上來分析。將問題簡化一下，假設(shè)現(xiàn)在在做貓和狗的檢測，要從圖片中找到貓和狗的位置并且知道是什么分類。對于人工智能問題，往下細(xì)分可以分到 2 個(gè)方向，分類問題和回歸問題。識別一張圖片是貓還是狗是比較容易的事情，也可以準(zhǔn)確的說是分類問題。

但是尋找到圖片中不確定是否含有以及不確定具體數(shù)量的貓和狗的具體位置，這樣的一個(gè)問題算作哪個(gè)類別呢？分類和回歸問題都不好往上面靠，下面再把問題拆分一下。

目標(biāo)檢測中的分類與回歸問題

假設(shè)，現(xiàn)在已經(jīng)有框了，如圖 1 所示，根據(jù) 4 個(gè)檢測框內(nèi)是否包含狗做分類，包含待檢測目標(biāo)越完整、背景越少則概率越高，下圖中顯然藍(lán)色更加合適。

圖1 目標(biāo)檢測示意

用藍(lán)色的檢測框來代表檢測的物體還有個(gè)問題，就是這個(gè)框還有些許的偏差，離“完美”的檢測框還是有一些距離，下面可以對我們的檢測框進(jìn)行矯正回歸，如圖 2 所示。白色的框是“完美檢測框”，我們希望藍(lán)色的檢測框向白色的檢測框從形狀和位置上靠近，在某些特殊條件下，這種變換滿足線性的變化，將邊框的矯正問題轉(zhuǎn)變成一個(gè)回歸問題。

圖2 邊框矯正示意圖

現(xiàn)在目標(biāo)檢測問題得到了解決，前提是已經(jīng)存在可能存在待檢測物體的預(yù)選框，剩下的問題是如何產(chǎn)生這些預(yù)選框。

R-CNN 算法就是采用上面所述的解決思路，采用的是選擇性搜索 (Selective Search) 算法來選擇預(yù)選框。

選擇性搜索 (Selective Search) 提取候選區(qū)域

選擇性搜索 (Selective Search) 是對上文中的選擇區(qū)域過程進(jìn)行的一個(gè)優(yōu)化。Selective Search 算法在 13 年提出，這個(gè)算法其實(shí)是借鑒了層次聚類的思想，將層次聚類的思想應(yīng)用到區(qū)域的合并上面。

首先使用 Felzenszwalb 等人在其論文 “Efficient Graph-Based Image Segmentation ” 中描述的方法生成輸入圖像的初始子候選區(qū)域。

然后將較小的相似區(qū)域遞歸組合為較大的相似區(qū)域。這里使用貪婪算法將相似的區(qū)域組合成更大的區(qū)域。

所謂貪婪算法就是從一組區(qū)域中，選擇兩個(gè)最相似的區(qū)域，將它們合并為一個(gè)較大的區(qū)域，重復(fù)上述步驟進(jìn)行多次迭代，直至數(shù)量為我們想得到的候選區(qū)域數(shù)量。

選擇性搜索的思想是基于圖像中物體可能具有某些相似性或者連續(xù)性，因此采用子區(qū)域合并的方法進(jìn)行提取候選邊界框，合并過程根據(jù)子區(qū)域之間的顏色、紋理、體積等相似性進(jìn)行區(qū)域合并，最后合并成我們想要的數(shù)量，然后再對子區(qū)域做外切矩形，得到的矩形就是候選區(qū)域。

圖3 Selective Search示意圖

R-CNN：Region with CNN feature (Region proposals + CNN)

R-CNN 算法流程可以分為 4 步：

使用選擇性搜索 (Selective Search) 從圖像中提取 1k-2k 個(gè)區(qū)域，將其稱為候選區(qū)域。

將這 2000 個(gè)大小可能不同的候選區(qū)域處理成固定大小 (227,227)，然后輸入到卷積神經(jīng)網(wǎng)絡(luò)中做圖像特征提取，生成 4096 維特征圖作為第二步輸出。

將特征圖輸入到一組 SVM 中，對候選區(qū)域是否存在要檢測的目標(biāo)進(jìn)行分類，每個(gè) SVM 都是一個(gè)二分類器，負(fù)責(zé)判斷是否是存在某一個(gè)類 (yes/no)，也就是說有多少個(gè)分類就有多少個(gè)SVM分類器。

除了預(yù)測候選區(qū)域內(nèi)是否包含檢測目標(biāo)，該算法還預(yù)測四個(gè)值，這些值是偏移值，以提高邊界框的精度。

圖4 RCNN示意圖

統(tǒng)一候選區(qū)域尺寸

通過前面的內(nèi)容，可以在圖片中找出想得到的候選區(qū)域，這個(gè)候選區(qū)域不一定都是同樣的大小，如果進(jìn)行簡單的縮放到同一尺寸，會造成不同的拉扯程度，同一張圖片選出的候選框進(jìn)行了不同程度的變形會對結(jié)果造成影響。

選擇性搜索最終產(chǎn)出的是矩形，論文中對矩形的縮放嘗試了兩種方式：各向同性縮放、各向異性縮放。

圖5 RCNN-圖像尺寸統(tǒng)一處理示意圖

上圖 5 中 B 列，直接在原始圖片中，把邊界擴(kuò)展延伸成正方形，然后再進(jìn)行裁剪；如果已經(jīng)延伸到了原始圖片的外邊界，那么就用候選框中的顏色進(jìn)行填充；C 列，先沿邊框進(jìn)行剪裁，然后用固定顏色填充成正方形，這個(gè)固定顏色為候選框內(nèi)顏色均值；D 列方法很簡單，不管候選區(qū)域的寬高比，直接進(jìn)行縮放。

在此基礎(chǔ)上，作者還嘗試了加入 padding 處理，示意圖中第一、三行是使用了padding=0 的效果，第二、四行使用了 padding=16 的效果。經(jīng)過測試發(fā)現(xiàn)，使用各向異性縮放結(jié)合 padding=16 的精度最高，使 mAp 提高了 3 到 5 個(gè)百分點(diǎn)。

在網(wǎng)絡(luò)結(jié)構(gòu)方面，R-CNN 對比現(xiàn)在流行的網(wǎng)絡(luò)顯得略微“單薄”。方案選擇上面有 2 個(gè)選擇：Alexnet 與 VGG16。從表現(xiàn)來說 VGG16 的表現(xiàn)效果會更好一些，VGG16 有較小的卷積核以及較小的步長，泛化能力更強(qiáng)，但是計(jì)算量是 Alexnet 的 7 倍。

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

站在現(xiàn)在的目標(biāo)檢測技術(shù)角度去看 R-CNN，可能會覺得這個(gè)模型表現(xiàn)的并不是很好，設(shè)計(jì)的也不夠合理，但是在當(dāng)時(shí) R-CNN 將深度學(xué)習(xí)引入檢測領(lǐng)域，一舉將 PASCAL VOC 上的檢測率從 35.1% 提升到 53.7%。

R-CNN 也存在著非常大的問題，首先三個(gè)模型在訓(xùn)練的方面會是個(gè)比較大的挑戰(zhàn)，其次也是最主要的就是效率問題，計(jì)算 Region Proposals 和 features 平均所花時(shí)間：13s/image on a GPU；53s/image on a CPU。最后 2000 個(gè)左右的候選區(qū)域都需要經(jīng)過網(wǎng)絡(luò)處理，這就加大了計(jì)算代價(jià)。

已經(jīng)定位了 R-CNN 的計(jì)算瓶頸，那么解決方法也就應(yīng)運(yùn)而生，R-CNN 的同一作者解決了R-CNN 的一些缺點(diǎn)并提出了新的算法，該算法稱為 Fast R-CNN。

Fast R-CNN 算法發(fā)表于 2015 年，在同樣使用 VGG16 網(wǎng)絡(luò)作為 Backbone 的情況下，與 R-CNN 相比訓(xùn)練速度快 9 倍，推理時(shí)間快了 200 多倍，在 Pascal VOC 數(shù)據(jù)集上準(zhǔn)確率也從 62% 提升到了66%。

整體思路類似于 R-CNN 算法，與之不同的是，不再用候選區(qū)域選出來再傳入網(wǎng)絡(luò)中，F(xiàn)ast R-CNN 將輸入圖像直接提供給 CNN 結(jié)構(gòu)來生成卷積特征圖，在原圖中使用 SS(Selective Search) 算法提取候選區(qū)域，映射到特征圖上形成特征矩陣，這樣看似簡單的調(diào)整順序，從需要對 1k-2k 張圖像提取特征轉(zhuǎn)變成只需要對一張圖像提取特征，極大的減少了執(zhí)行時(shí)間。

但是新的問題也出來了，對特征圖進(jìn)行預(yù)選區(qū)域選擇后產(chǎn)出的“小特征圖”大小不一，無法一下放入網(wǎng)絡(luò)中進(jìn)行處理與預(yù)測。Fast R-CNN 借鑒了 SPP Net 的設(shè)計(jì)來解決這個(gè)問題。

SPP：Spatial Pyramid Pooling（空間金字塔池化）

SPP-Net 是出自 2015 年發(fā)表在 IEEE 上的論文：《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》，SPP 是其中核心的設(shè)計(jì)。

CNN 一般都有卷積部分和全連接部分，其中，卷積層不需要固定尺寸的圖像，而全連接層是需要固定大小的輸入。

所以當(dāng)全連接層面對各種尺寸的輸入數(shù)據(jù)時(shí)，就需要對輸入數(shù)據(jù)進(jìn)行 crop（crop 就是從一個(gè)大圖摳出網(wǎng)絡(luò)輸入大小的 patch，比如 227×227），或 warp（把一個(gè)邊界框 bounding box 的內(nèi)容 resize 成 227×227）等一系列操作以統(tǒng)一圖片的尺寸大小，比如 224×224（ImageNet）、32×32(LenNet)等。

在 R-CNN 中，因?yàn)槿〕龅膮^(qū)域大小各自不同，所以需要將每個(gè) Region Proposal 縮放（warp）成統(tǒng)一的 227x227 的大小并輸入到 CNN。但 warp/crop 這種預(yù)處理，導(dǎo)致的問題要么被拉伸變形、要么物體不全，限制了識別精確度。如圖 6 所示，原本“瘦高”的燈塔，warp 之后體型“發(fā)福”了。

圖6 圖像伸縮示意圖

SPP Net 開拓了新的思路，原來的思路是在進(jìn)入 CNN 中之前，將圖像統(tǒng)一尺寸，而 CNN 本身可以適應(yīng)任何尺寸，那么何不嘗試在 CNN 結(jié)構(gòu)之后再加入某種結(jié)構(gòu)使后面的全連接層可以接收到固定的輸出呢？

下圖便是 R-CNN 與 SPP Net 檢測流程的對比：

圖7 R-CNN與SPP Net流程對比

在卷積結(jié)構(gòu)與 FC 層之間介入金字塔池化層，保證下一層全連接層的輸入固定。換句話說，在普通的 CNN 結(jié)構(gòu)中，輸入圖像的尺寸往往是固定的（比如 224×224 像素），輸出則是一個(gè)固定維數(shù)的向量。SPP Net 在普通的 CNN 結(jié)構(gòu)中加入了 ROI 池化層（ROI Pooling），使得網(wǎng)絡(luò)的輸入圖像可以是任意尺寸的，輸出則不變，同樣是一個(gè)固定維數(shù)的向量。

Fast R-CNN 中的 ROI Pooling

Fast R-CNN 使用 ROI Pooling 結(jié)構(gòu)將 CNN 結(jié)構(gòu)輸出統(tǒng)一成 7×7 的結(jié)構(gòu)，這個(gè)過程并不復(fù)雜，如圖 8 所示，左面假設(shè)是特征圖(為了可視化使用圖像代替)，將特征圖劃分成 7×7 的網(wǎng)格 ，對每一個(gè)網(wǎng)格用 Max Pooling 得到 7×7的 結(jié)構(gòu)，圖中使用一個(gè) channel 數(shù)據(jù)示例，實(shí)際計(jì)算中對每個(gè) channel 做如下處理。

圖8 ROI Pooling示意圖

在訓(xùn)練過程中，并不是所有 SS 算法獲取的候選框都被使用，相對于選擇的 1k-2k 個(gè)候選框，只需要其中的一小部分， 從中選擇正樣本和負(fù)樣本，正樣本指包含需要檢測的目標(biāo)，而負(fù)樣本不包含需要檢測的目標(biāo)，也就是背景。

為什么要分正樣本與負(fù)樣本，對于選擇出的 1k-2k 個(gè)候選區(qū)域，絕大部分只會有很小的一部分里面包含需要檢測的物體，大部分都是背景，如果全部使用包含圖像的樣本進(jìn)行訓(xùn)練，會對網(wǎng)絡(luò)產(chǎn)生不好的影響。區(qū)分正負(fù)樣本的條件是與 GT 的 IOU 大于 0.5 的為正樣本，反之為負(fù)樣本。

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

Faster R-CNN 的設(shè)計(jì)思路

經(jīng)過前面兩個(gè)網(wǎng)絡(luò)的積累 (Fast R-CNN 與 R-CNN)，Ross B.Girshick 在 2016 年提出了新的改進(jìn)版算法 Faster R-CNN，盡管 Fast R-CNN 已經(jīng)對 R-CNN 的速度進(jìn)行了大幅度的優(yōu)化，但是在其結(jié)構(gòu)中還是有明顯的瓶頸，F(xiàn)ast R-CNN 的整體結(jié)構(gòu)并不緊湊，先使用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行特征提取，篩選候選區(qū)域再進(jìn)行預(yù)測。

在 Faster R-CNN 中，引入了 Region Proposal Network（RPN），RPN 網(wǎng)絡(luò)與檢測網(wǎng)絡(luò)共享完整的圖像卷積特征，從而大大降低了 region proposal 的代價(jià)。RPN 是一個(gè) FCN 結(jié)構(gòu)的網(wǎng)絡(luò)，可以同時(shí)預(yù)測每個(gè)位置上的對象范圍和對象得分。RPN 網(wǎng)絡(luò)不是單獨(dú)的網(wǎng)絡(luò)而是融合在整個(gè)網(wǎng)絡(luò)之中，這樣更容易訓(xùn)練出好的效果。

圖9 Faster R-CNN結(jié)構(gòu)圖

代碼結(jié)構(gòu)

除了 RPN 結(jié)構(gòu)，F(xiàn)aster R-CNN 與 Fast R-CNN 結(jié)構(gòu)一致，這里不再過多的介紹基礎(chǔ)，在前期對 Faster R-CNN 有初步的認(rèn)識即可，下面給出 Faster R-CNN 實(shí)現(xiàn)的代碼結(jié)構(gòu)圖。

圖10 Faster R-CNN代碼結(jié)構(gòu)

審核編輯：劉清