图像识别之目标检测（2）

上一节我们介绍了RCNN模型和原理，但是大家也看到它存在诸多缺点，在2015年fast-RCNN诞生了。

RCNN的提出者Ross
Girshick提出了这样的想法，即每个图像只运行一次CNN，然后找到一种在2,000个区域内共享该计算的方法。在Fast
RCNN中，将输入图像馈送到CNN，CNN生成卷积特征映射。使用这些特征图提取候选区域。然后，使用RoI池化层将所有建议的区域重新整形为固定大小，以便将其馈送到全连接网络中。
       下面将其分解为简化概念的步骤：

• 首先将图像作为输入；

• 将图像传递给卷积神经网络，生成感兴趣的区域；

• 在所有的感兴趣的区域上应用RoI池化层，并调整区域的尺寸。然后，每个区域被传递到全连接层的网络中；

• softmax层用于全连接网以输出类别。与softmax层一起，也并行使用线性回归层，以输出预测类的边界框坐标。

因此，Fast RCNN算法中没有使用三个不同的模型，而使用单个模型从区域中提取特征，将它们分成不同的类，并同时返回所标识类的边界框。

对上述过程进行可视化讲解：

      

将图像传递给卷积神经网络，后者相应地返回感兴趣的区域；

然后，在提取的感兴趣区域上应用RoI池层，以确保所有区域具有相同的大小；

最后，这些区域被传递到一个全连接网络，对其进行分类，并同时使用softmax和线性回归层返回边界框；

上述过程说明了Fast RCNN是如何解决RCNN的两个主要问题，即将每个图像中的1个而不是2,000个区域传递给卷积神经网络，并使用一个模型来实现提取特征、分类和生成边界框。

Fast RCNN的问题

       Fast RCNN也存在一定的问题，它仍然使用选择性搜索作为查找感兴趣区域的提议方法，这是一个缓慢且耗时的过程，每个图像检测对象大约需要2秒钟。
因此，又开发了另一种物体检测算法——Faster RCNN。

Faster RCNN的思想

       Faster RCNN是Fast RCNN的修改版本，二者之间的主要区别在于，Fast
RCNN使用选择性搜索来生成感兴趣区域，而Faster
RCNN使用“区域提议网络”，即RPN。RPN将图像特征映射作为输入，并生成一组提议对象，每个对象提议都以对象分数作为输出。
     以下步骤通常采用Faster RCNN方法：

• 1.将图像作为输入并将其传递给卷积神经网络，后者返回该图像的特征图；

• 2.在这些特征图上应用RPN，返回提议对象及其分数；

• 3.在这些提议对象上应用RoI池化层，以将所有提案降低到相同的大小；

• 4.最后，将提议传递到全连接层，该层在其顶部具有softmax层和线性回归层，以对对象的边界框进行分类和输出；

 这里简要解释一下RPN是如何运作的：
       首先，Faster RCNN从CNN获取特征图并将它们传递到区域提议网络。RPN在这些特征图上使用滑动窗口，每个窗口生成不同形状和大小的k个方框（ Anchor boxes）：

方框是固定尺寸的边界箱，具有不同的形状和尺寸。对于每个方框，RPN预测两件事：

• 预测锚是对象的概率；

• 用于边界框回归器调整锚点以更好地适合物体的形状；

在有了不同形状和大小的边界框后，将其传递到RoI池化层。对每个提案并对其进行裁剪，以便每个提案都包含一个对象。这就是RoI池化层所做的事情，它为每个方框提取固定大小的特征图：

然后将这些特征图传递到全连接层，该层具有softmax和线性回归层，最终对对象进行分类并预测已识别对象的边界框。

Faster RCNN的问题

      上述讨论过的所有对象检测算法都使用区域来识别对象，且网络不会一次查看完整图像，而是按顺序关注图像的某些部分，这样会带来两个复杂性的问题：

• 该算法需要多次通过单个图像来提取到所有对象；

• 由于不是端到端的算法，不同的系统一个接一个地工作，整体系统的性能进一步取决于先前系统的表现效果。

总结

下表是总结了本文中介绍的所有算法

算法	特征	预测时间	限制
CNN	将图像分成多个区域，将每个区域分类为不同的类别	-	需要很多区域来准确预测，因此计算时间长
RCNN	使用选择性搜索生成区域,从每个图像中提取大约2000个区域	40-50秒	每个区域分别传递给CNN的计算时间也很长，且使用三种不同的模型进行预测
Fast RCNN	每个图像只传递一次到CNN，并提取特征图。在这些地图上使用选择性搜索来生成预测。将RCNN中使用的所有三种模型组合在一起	2秒	选择性搜索很慢，因此计算时间仍然很长
Faster RCNN	用区域提议网络替换选择性搜索方法，使算法更快	0.2秒	对象提议需要时间，并且由于不同的系统一个接一个地工作，系统的性能取决于先前系统的表现效果

本文转载自云栖社区，文章原标题《A Step-by-Step Introduction to the Basic Object Detection Algorithms (Part 1)》，译者：海棠，审校：Uncle_LLD。