R-CNN学习总结

　　R-CNN是一个比较早期的用于目标检测方法，但却十分经典，在此结合论文对这一方法做一个总结。

（写给小白：通过下图简单理解图像分类，图像定位，目标检测和实例分割）

　　R-CNN方法提出的背景：

　　1、近10年以来，以人工经验特征为主导的物体检测任务mAP（物体类别和位置的平均精度）提升缓慢；

　　2、随着ReLu激励函数、dropout正则化手段和大规模图像样本集ILSVRC的出现，在2012年ImageNet大规模视觉识别挑战赛中，Hinton及他的学生采用CNN特征获得了最高的图像识别精确度；

　　3、上述比赛后，引发了一股“是否可以采用CNN特征来提高当前一直停滞不前的物体检测准确率“的热潮。

　　R-CNN有两个创新点：　　

　　1、提出了一个高容量的卷积神经网络，自底向上地提取候选框特征，进行目标检测与识别；

　　2、使用大样本有监督预训练+小样本微调的方法解决了小样本难以训练或者过拟合的问题，同时也证明了卷积神经网络模型的可迁移性。

　　

　　下面就看一下R-CNN的具体内容。

　　我们首先来看一下论文中R-CNN的流程图：

 

　　1、输入一张图像，通过selective search（具体见博客）的算法提出2000个左右的候选框，标出可能含有目标物体的区域；

　　2、将根据候选框得到的图像切片变形，使其满足CNNs的输出要求，此方法中采用了AlexNet网络，所以最终图像将变形为227×227；

　　3、对每个候选框进行减均值操作后，将其输入AlexNet网络中，获得4096维的特征向量，每张图像有2000个候选框，则最终每张图像会对应2000×4096维的特征矩阵；

　　4、将每个图像2000×4096的特征矩阵和20个SVM的权值矩阵4096×20相乘，此方法最终只预测20类物体和背景，每个SVM作为一个二分类器，所以需要20个SVM。最终会得到一个2000×20维矩阵，表示每个候选框属于某个类别的得分；

　　5、分别对上述2000×20维矩阵中每一列即每一类进行非极大值抑制（non maximum suppression， NMS）剔除重叠候选框，得到该列即该类中得分较高的一些候选框；

　　6、分别用20个回归器对上述20个类别中剩余的候选框进行回归操作，最终得到每个类别的修正后的得分最高的bounding box。

 

 　　如何将图像变形为227×227？作者在补充材料中给出了四种变形方式：

　　1、考虑context（图像中context指RoI周边像素）的各向同性变形，建议框像周围像素扩充到227×227，若遇到图像边界则用建议框像素均值填充，下图第二列；

　　2、不考虑context的各向同性变形，直接用建议框像素均值填充至227×227，下图第三列； 

　　3、各向异性变形，简单粗暴对图像就行缩放至227×227，下图第四列； 

　　4、变形前先进行边界像素填充（padding）处理，即向外扩展建议框边界，以上三种方法中分别采用padding=0下图第一行，padding=16下图第二行进行处理；

　　经过作者一系列实验表明采用padding=16的各向异性变形即下图第二行第三列效果最好，能使mAP提升3-5%。

 

　　为什么要进行非极大值抑制？非极大值抑制又如何操作？ 

　　在测试过程完成到第4步之后，获得2000×20维矩阵表示每个建议框是某个物体类别的得分情况，此时会遇到下图所示情况，同一个车辆目标会被多个建议框包围，这时需要非极大值抑制操作去除得分较低的候选框以减少重叠框。

　　非极大线性抑制的操作如下：

　　1、 对2000×20维矩阵中每列按从大到小进行排序； 

　　2、从每列最大的得分候选框开始，分别与该列后面的得分候选框进行IoU计算，若IoU>阈值，则剔除得分较小的候选框，否则认为图像中存在多个同一类物体； 

　　3、从每列次大的得分候选框开始，重复步骤2； 

　　4、重复步骤3直到遍历完该列所有候选框； 

　　5、遍历完2000×20维矩阵所有列，即所有物体种类都做一遍非极大值抑制； 

　　6、最后剔除各个类别中剩余候选框得分少于该类别阈值的候选框。（论文中没有讲，但一般来说，得分较少的候选框我们一般不考虑）

　　其中的IoU计算即(A∩B)/(A∪B) ，如下图所示：

　　为什么要采用回归器？回归器是什么有什么用？如何进行操作？ 

　　首先要明确目标检测不仅是要对目标进行识别，还要完成定位任务，所以最终获得的bounding-box也决定了目标检测的精度。

　　这里先解释一下什么叫定位精度：定位精度可以用算法得出的物体检测框与实际标注的物体边界框的IoU值来近似表示。

　　如下图所示，绿色框为实际标准的卡宴车辆框，即Ground Truth；黄色框为selective search算法得出的建议框，即Region Proposal。即使黄色框中物体被分类器识别为卡宴车辆，但是由于绿色框和黄色框IoU值并不大，所以最后的目标检测精度并不高。采用回归器是为了对建议框进行校正，使得校正后的Region Proposal与selective search更接近， 以提高最终的检测精度。论文中采用bounding-box回归使mAP提高了3~4%。

 

　　那么回归器该如何设计？

　　如上图，黄色框P表示候选框Region Proposal，绿色窗口G表示实际框Ground Truth，红色窗口表示Region Proposal进行回归后的预测窗口，现在的目标是找到P到的线性变换（当Region Proposal与Ground Truth的IoU>0.6时可以认为是线性变换），使得与G越相近，这就相当于一个简单的可以用最小二乘法解决的线性回归问题，具体往下看。 

　　让我们先来定义P窗口的数学表达式：，其中表示第一个i窗口的中心点坐标，分别为第i个窗口的宽和高；G窗口的数学表达式为：；窗口的数学表达式为：。以下省去上标i。 

　　这里定义了四种变换函数，，，，。和通过平移对x和y进行变化，和通过缩放对w和h进行变化，即下面四个式子所示： 

  (1)

  (2)

  (3)

  (4)

 

　　但是P，G对应的点是原图上的值，或者说对应的区域目标是未经过CNN处理过的。那么对应feature map上的变化量是多少呢？其中，回归目标表示对应的变化量，由训练输入对按下式计算得来：

 

   (6)

  (7)

  (8) 

  (9)

　　表示到的偏移从原图映射到feature map上的映射关系，表示到的偏移从原图映射到feature map上的映射关系。

　　每一个（*表示x，y，w，h）都是一个AlexNet CNN网络Pool5层特征的线性函数，即 ，这里就是所需要学习的回归参数。损失函数即为：

    (5)

损失函数中加入正则项是为了避免回归参数过大。

　　

　　1、构造样本对。为了提高每类样本框回归的有效性，对每类样本都仅仅采集与Ground Truth相交IoU最大的Region Proposal，并且IoU>0.6的Region Proposal作为样本对，一共产生20对样本对（20个类别）； 

　　2、每种类型的回归器单独训练，输入该类型样本对n个：以及所对应的AlexNet CNN网络Pool5层特征； 

　　3、利用(6)-(9)式和输入样本对计算； 

　　4、利用和，根据损失函数(5)进行回归，得到使损失函数最小的参数。

 

　　训练过程：

　　1、有监督预训练

样本	来源
正样本	ILSVRC2012
负样本	ILSVRC2012

　　ILSVRC样本集上仅有图像类别标签，没有图像物体位置标注；

　　采用AlexNet CNN网络进行有监督预训练，学习率为0.01；

　　该网络输入为227×227的ILSVRC训练集图像，输出最后一层为4096维特征->1000类的映射，训练的是网络参数。 

　　2、特定样本下的微调

　　

样本	来源
正样本	Ground Truth+与Ground Truth相交IoU>0.5的候选框（由于Ground Truth太少了）
负样本	与Ground Truth相交IoU≤0.5的候选框

　　PASCAL VOC 2007样本集上既有图像中物体类别标签，也有图像中物体位置标签；

　　采用训练好的AlexNet CNN网络进行PASCAL VOC 2007样本集下的微调，学习率为0.001（0.01/10为了在学习新东西时不至于忘记之前的记忆）；

　　mini-batch为32个正样本和96个负样本（由于正样本太少）；

　　该网络输入为候选框（由selective search而来）变形后的227×227的图像，修改了原来的1000为类别输出，改为21维（20类+背景）输出，训练的是网络参数。

　　3、SVM训练

　　

样本	来源
正样本	Ground Truth
负样本	与Ground Truth相交IoU＜0.3的建议框

　　由于SVM是二分类器，需要为每个类别训练单独的SVM； 

　　SVM训练时输入正负样本在AlexNet CNN网络计算下的4096维特征，输出为该类的得分，训练的是SVM权重向量； 

　　由于负样本太多，采用hard negative mining的方法在负样本中选取有代表性的负样本。

　　4、Bounding-box regression训练

　　

样本	来源
正样本	与Ground Truth相交IoU最大的Region Proposal，并且IoU>0.6的Region Proposal

　　输入数据为某类型样本对n个：以及所对应的AlexNet CNN网络Pool5层特征，输出回归后的建议框Bounding-box，训练的是，，，四种变换操作的权重向量。

 

　　解释分析：

　　1、什么叫有监督预训练？为什么要进行有监督预训练？

　　有监督预训练也称之为迁移学习，举例说明：若有大量标注信息的人脸年龄分类的正负样本图片，利用样本训练了CNN网络用于人脸年龄识别；现在要通过人脸进行性别识别，那么就可以去掉已经训练好的人脸年龄识别网络CNN的最后一层或几层，换成所需要的分类层，前面层的网络参数直接使用为初始化参数，修改层的网络参数随机初始化，再利用人脸性别分类的正负样本图片进行训练，得到人脸性别识别网络，这种方法就叫做有监督预训练。这种方式可以很好地解决小样本数据无法训练深层CNN网络的问题，我们都知道小样本数据训练很容易造成网络过拟合，但是在大样本训练后利用其参数初始化网络可以很好地训练小样本，这解决了小样本训练的难题。这篇文章最大的亮点就是采用了这种思想，ILSVRC样本集上用于图片分类的含标注类别的训练集有1millon之多，总共含有1000类；而PASCAL VOC 2007样本集上用于物体检测的含标注类别和位置信息的训练集只有10k，总共含有20类，直接用这部分数据训练容易造成过拟合，因此文中利用ILSVRC2012的训练集先进行有监督预训练。

 

　　2、ILSVRC 2012与PASCAL VOC 2007数据集有冗余吗？

　　即使图像分类与目标检测任务本质上是不同的，理论上应该不会出现数据集冗余问题，但是作者还是通过两种方式测试了PASCAL 2007测试集和ILSVRC 2012训练集、验证集的重合度：第一种方式是检查网络相册IDs，4952个PASCAL 2007测试集一共出现了31张重复图片，0.63%重复率；第二种方式是用GIST描述器匹配的方法，4952个PASCAL 2007测试集一共出现了38张重复图片（包含前面31张图片），0.77%重复率，这说明PASCAL 2007测试集和ILSVRC 2012训练集、验证集基本上不重合，没有数据冗余问题存在。

　　3、可以不进行特定样本下的微调吗？可以直接采用AlexNet CNN网络的特征进行SVM训练吗？

　　文中设计了没有进行微调的对比实验，分别就AlexNet CNN网络的pool5、fc6、fc7层进行特征提取，输入SVM进行训练，这相当于把AlexNet CNN网络当做万精油使用，类似HOG、SIFT等做特征提取一样，不针对特征任务。实验结果发现f6层提取的特征比f7层的mAP还高，pool5层提取的特征与f6、f7层相比mAP差不多； 在PASCAL VOC 2007数据集上采取了微调后fc6、fc7层特征较pool5层特征用于SVM训练提升mAP十分明显； 由此作者得出结论：不针对特定任务进行微调，而将CNN当成特征提取器，pool5层得到的特征是基础特征，类似于HOG、SIFT，类似于只学习到了人脸共性特征；从fc6和fc7等全连接层中所学习到的特征是针对特征任务特定样本的特征，类似于学习到了分类性别分类年龄的个性特征。

　　4、为什么微调时和训练SVM时所采用的正负样本阈值（0.5和0.3）不一致？

　　微调阶段是由于CNN对小样本容易过拟合，需要大量训练数据，故对IoU限制宽松：与Ground Truth相交IoU>0.5的建议框为正样本，否则为负样本； 
SVM这种机制是由于其适用于小样本训练，故对样本IoU限制严格：Ground Truth为正样本，与Ground Truth相交IoU＜0.3的建议框为负样本。

　　5、为什么不直接采用微调后的AlexNet CNN网络最后一层SoftMax进行21分类（20类+背景）？

　　因为微调时和训练SVM时所采用的正负样本阈值不同，微调阶段正样本定义并不强调精准的位置，而SVM正样本只有Ground Truth；并且微调阶段的负样本是随机抽样的，而SVM的负样本是经过hard negative mining方法筛选的；导致在采用SoftMax会使PSACAL VOC 2007测试集上mAP从54.2%降低到50.9%。

 

　　此方法的结果：

　　1、PASCAL VOC 2010测试集上实现了53.7%的mAP；

　　2、PASCAL VOC 2012测试集上实现了53.3%的mAP；

　　3、计算Region Proposals和features平均所花时间：13s/image on a GPU；53s/image on a CPU。

 

　　此方法还存在什么问题：

　　1、很明显，最大的缺点是对一张图片的处理速度慢，这是由于一张图片中由selective search算法得出的约2k个建议框都需要经过变形处理后由CNN前向网络计算一次特征，这其中涵盖了对一张图片中多个重复区域的重复计算，很累赘；

　　2、在计算2k个建议框的CNN特征时，在硬盘上保留了2k个建议框的Pool5特征，虽然这样做只需要一次CNN前向网络运算，但是耗费大量磁盘空间；

　　3、训练时间长，虽然文中没有明确指出具体训练时间，但由于采用RoI-centric sampling（从所有图片的所有建议框中均匀取样）进行训练，那么每次都需要计算不同图片中不同建议框CNN特征，无法共享同一张图的CNN特征，训练速度很慢；

　　4、整个测试过程很复杂，要先提取建议框，之后提取每个建议框CNN特征，再用SVM分类，做非极大值抑制，最后做bounding-box回归才能得到图片中物体的种类以及位置信息；同样训练过程也很复杂，ILSVRC 2012上预训练CNN，PASCAL VOC 2007上微调CNN，做20类SVM分类器的训练和20类bounding-box回归器的训练；这些不连续过程必然涉及到特征存储、浪费磁盘空间等问题。

 

参考博客：http://blog.csdn.net/wopawn/article/details/52133338