目标检测算法RCNN，Fast RCNN，Faster RCNN

@

目录

• 一、REGION CNN
  • 1.1 原理
  • 1.2 候选区域生成方法
  • 1.3 训练过程
  • 1.4 R-CNN的计算瓶颈
• 二、Fast RCNN
  • 2.1 改进点
  • 2.2 网络结构
  • 2.3 ROI Pooling
  • 2.4 损失函数
  • 2.5 总结
• 三、Faster R-CNN
  • 3.1 RPN网络
  • 3.2 损失函数
  • 3.3 训练步骤

1.1 原理

滑窗法是一种行之有效的暴力方法，先生成大量的候选框，对每个框进行分类，可以大概的检测出类

• 一张图像生成1K~2K个候选区域
• 对每个候选区域，使用深度网络提取特征
• 特征送入每一类的SVM分类器，判别是否属于该类
• 使用回归器精细修正候选框位置

1.2 候选区域生成方法

使用了Selective Search方法从一张图像生成约2000-3000个候选区域。基本思路:

• 传统分割算法（如像素点聚合)，将图像分割成小区域
• 使用贪心算法合并候选区域：计算所有相邻区域的相似度。将最相似的两个区域合并为一个区域。重复直到整张图像合并成一个区域位置
• 输出所有曾经存在过的区域，生成候选区域

1.3 训练过程

1. 预训练:在lmageNet上面训练一个分类神经网络
2. 使用Selective Search找出候选区域
3. 将候选区域resize成CNN输入的尺寸
4. fine-tuning:在自己的训练数据集中fine-tune CNN,作为一个识别K+1种类别的分类问题,K为感兴趣的目标种类数,1为背景类别.Fine-tune使用比较小的learning-rate,在正样本上面oversample (selective search出来的候选区域大多为背景)
5. 去掉fine-tune后的CNN的最后一个分类层,将每一个候选区域通过CNN,输出为一个特征向量，
6. 使用特征向量为每一个类别训练一个二元SVM分类器(正样本为候选区域和真实区域loU大于等于0.3的区域,其它为负样本)
7. 为了减少Selective Search候选区域定位误差,使用regression模型预测新的定位
   di是和ti一样的转换后的比例值

1.4 R-CNN的计算瓶颈

· 对于每一幅图,使用Selective Search选择2000个候选区域,这个过程本身比较慢
. 2000个区域都要使用CNN网络预测图像特征,这些区域还会有重叠的部分
· 4个分离的部件没有重用计算:

• Selective Search:选择候选区域
• CNN:提取图像特征
• SVM:目标分类识别 Regression模型:定位

二、Fast RCNN

2.1 改进点

• 将R-CNN中下面3个独立模块整合在一起,减少计算量:
  • CNN:提取图像特征
  • SVM:目标分类识别
  • Regression模型:定位
• 不对每个候选区域独立通过CNN提取特征,将整个图像通过CNN提取特征,然后从CNN的特征图中根据Selection Search的候选区域通过Rol Pooling层提取区域特征

2.2 网络结构

2.3 ROI Pooling

• 将任意大小的特征图(CNN的输出)使用Max Pooling转换为固定大小的特征图.
• 假设Rol Pooling的输入为H1* W1像素,输出为H2W2像素(H2<H1; W2< W1),那么输入特征图会被平均分为H2 W2个格子(每一个格子包含H1/H2 * W1/W2个像素).然后对每一个格子做MaxPooling.

2.4 损失函数

2.5 总结

优点：

• 由于图像只通过CNN一次,而不是让每一个候选区独立通过CNN,减少了运算量
• 将R-CNN中的多个SVM的分类合并为一个DNN,让分类和定位可以同时训练

缺点：

• 但是任然依靠Selective Search选择候选区域

三、Faster R-CNN

去掉selective Search,将候选区域的选择整合到深度学习网络模型中(Region Proposal Network: RPN和fast R-CNN结合)

3.1 RPN网络

3*3的滑窗。在每个中心生成k（k=9）个anchor boxes。每个anchor boxes需要判断里面是否有需要识别的物体（前景和背景），所以有2k个得分。每个anchor boxes还有四个坐标，所以有4k个坐标

• 一个点处的anchor boxes
• 

3.2 损失函数

3.3 训练步骤