14.8.1。R-CNN

R -CNN首先從輸入圖像中提取許多（例如，2000 個）region proposals （例如，anchor boxes 也可以被認為是 region proposals），標記它們的類別和邊界框（例如，offsets）。

（Girshick等人，2014 年）

然后使用 CNN 對每個候選區(qū)域執(zhí)行前向傳播以提取其特征。接下來，每個區(qū)域提案的特征用于預測該區(qū)域提案的類別和邊界框。

圖 14.8.1 R-CNN 模型。

圖 14.8.1顯示了 R-CNN 模型。更具體地說，R-CNN包括以下四個步驟：

1. 執(zhí)行選擇性搜索以在輸入圖像上提取多個高質(zhì)量區(qū)域建議 （Uijlings等人，2013 年）。這些提議的區(qū)域通常是在具有不同形狀和大小的多個尺度上選擇的。每個區(qū)域提案都將標有一個類別和一個真實邊界框。

2. 選擇一個預訓練的 CNN 并在輸出層之前截斷它。resize每個region proposal到網(wǎng)絡需要的輸入大小，通過前向傳播輸出為region proposal提取的特征。

3. 以每個region proposal的提取特征和標注類別為例。訓練多個支持向量機對對象進行分類，其中每個支持向量機單獨確定示例是否包含特定類。

4. 以每個region proposal的提取特征和標注bounding box為例。訓練線性回歸模型來預測地面實況邊界框。

盡管 R-CNN 模型使用預訓練的 CNNs 來有效地提取圖像特征，但速度很慢。想象一下，我們從單個輸入圖像中選擇了數(shù)千個區(qū)域建議：這需要數(shù)千個 CNN 前向傳播來執(zhí)行對象檢測。這種龐大的計算負載使得在實際應用中廣泛使用 R-CNN 變得不可行。

14.8.2。快速 R-CNN

R-CNN 的主要性能瓶頸在于每個 region proposal 的獨立 CNN 前向傳播，沒有共享計算。由于這些區(qū)域通常有重疊，獨立的特征提取會導致大量重復計算。Fast R-CNN相比 R-CNN的主要改進之一是 CNN 前向傳播僅在整個圖像上進行 ( Girshick, 2015 )。

圖 14.8.2快速 R-CNN 模型。

圖 14.8.2描述了快速 R-CNN 模型。其主要計算如下：

1. 與 R-CNN 相比，在快速 R-CNN 中，CNN 用于特征提取的輸入是整個圖像，而不是單個區(qū)域建議。此外，這個 CNN 是可訓練的。給定輸入圖像，讓 CNN 輸出的形狀為 1×c×h1×w1.

2. 假設選擇性搜索生成n區(qū)域提案。這些區(qū)域提議（不同形狀）在 CNN 輸出上標記感興趣區(qū)域（不同形狀）。然后這些感興趣的區(qū)域進一步提取相同形狀的特征（比如高度 h2和寬度w2指定）以便于連接。為了實現(xiàn)這一點，快速 R-CNN 引入了 感興趣區(qū)域 (RoI) 池化層：CNN 輸出和區(qū)域提議被輸入到該層，輸出形狀的級聯(lián)特征n×c×h2×w2為所有區(qū)域提案進一步提取。

3. 使用全連接層，將連接的特征轉(zhuǎn)換為形狀的輸出n×d， 在哪里d取決于模型設計。

4. 預測每個類別和邊界框n區(qū)域提案。更具體地說，在類和邊界框預測中，將全連接層輸出轉(zhuǎn)換為形狀的輸出 n×q(q是類的數(shù)量）和形狀的輸出n×4， 分別。類別預測使用 softmax 回歸。

fast R-CNN 中提出的感興趣區(qū)域池化層與7.5 節(jié)中介紹的池化層不同。在池化層中，我們通過指定池化窗口、填充和步幅的大小來間接控制輸出形狀。相反，我們可以直接在感興趣區(qū)域池化層中指定輸出形狀。

例如，讓我們將每個區(qū)域的輸出高度和寬度指定為h2和w2， 分別。對于形狀的任何感興趣區(qū)域窗口h×w, 這個窗口被分為 h2×w2子窗口的網(wǎng)格，其中每個子窗口的形狀大約是(h/h2)×(w/w2). 在實際應用中，任何一個子窗口的高和寬都要向上取整，最大的元素作為子窗口的輸出。因此，即使感興趣區(qū)域具有不同的形狀，感興趣區(qū)域池化層也可以提取相同形狀的特征。

作為說明性示例，在圖 14.8.3中，左上角 3×3感興趣的區(qū)域被選擇在4×4 輸入。對于這個感興趣的區(qū)域，我們使用2×2感興趣區(qū)域池化層以獲得2×2輸出。請注意，四個劃分的子窗口中的每一個都包含元素 0、1、4 和 5（5 是最大值）；2 和 6（6 是最大值）；8 和 9（9 是最大值）；和 10。

圖 14.8.3 A2×2感興趣區(qū)域池化層。

下面我們演示感興趣區(qū)域池化層的計算。假設CNN提取的特征的高和寬 X都是4，并且只有一個通道。

import torch
import torchvision

X = torch.arange(16.).reshape(1, 1, 4, 4)
X

tensor([[[[ 0., 1., 2., 3.],
     [ 4., 5., 6., 7.],
     [ 8., 9., 10., 11.],
     [12., 13., 14., 15.]]]])

from mxnet import np, npx

npx.set_np()

X = np.arange(16).reshape(1, 1, 4, 4)
X

array([[[[ 0., 1., 2., 3.],
     [ 4., 5., 6., 7.],
     [ 8., 9., 10., 11.],
     [12., 13., 14., 15.]]]])

讓我們進一步假設輸入圖像的高度和寬度均為 40 像素，并且選擇性搜索在該圖像上生成兩個區(qū)域建議。每個區(qū)域建議由五個元素表示：其對象類，后跟(x,y)- 其左上角和右下角的坐標。

rois = torch.Tensor([[0