RCNN系列、Fast-RCNN、Faster-RCNN、R-FCN检测模型对比

RCNN系列、Fast-RCNN、Faster-RCNN、R-FCN检测模型对比

一．RCNN

问题一：速度

经典的目标检测算法使用滑动窗法依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。

问题二：训练集

经典的目标检测算法在区域中提取人工设定的特征（Haar，HOG）。本文则需要训练深度网络进行特征提取。可供使用的有两个数据库：

一个较大的识别库（ImageNet ILSVC 2012）：标定每张图片中物体的类别。一千万图像，1000类。

一个较小的检测库（PASCAL VOC 2007）：标定每张图片中，物体的类别和位置。一万图像，20类。

保证合并后形状规则。

网络分为四个部分：区域划分、特征提取、区域分类、边框回归

区域划分：使用selective search算法画出2k个左右候选框，送入CNN

特征提取：使用imagenet上训练好的模型，进行finetune

区域分类：从头训练一个SVM分类器，对CNN出来的特征向量进行分类

边框回归：使用线性回归，对边框坐标进行精修

优点：

ss算法比滑窗得到候选框高效一些；使用了神经网络的结构，准确率比传统检测提高了

缺点：

1、ss算法太耗时，每张图片都分成2k，并全部送入CNN，计算量很大，训练和inference时间长

2、四个模块基本是单独训练的，CNN使用预训练模型finetune、SVM重头训练、边框回归重头训练。微调困难，可能有些有利于边框回归的特征并没有被CNN保留

二．Fast-RCNN

 Fast RCNN方法解决了RCNN方法三个问题：

问题一：测试时速度慢

RCNN一张图像内候选框之间大量重叠，提取特征操作冗余。

本文将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框。

问题二：训练时速度慢

原因同上。

在训练时，本文先将一张图像送入网络，紧接着送入从这幅图像上提取出的候选区域。这些候选区域的前几层特征不需要再重复计算。

问题三：训练所需空间大

RCNN中独立的分类器和回归器需要大量特征作为训练样本。

本文把类别判断和位置精调统一用深度网络实现，不再需要额外存储。

相对RCNN，准确率和速度都提高了，具体做了以下改进：

1、依旧使用了selective search算法对原始图片进行候选区域划分，但送入CNN的是整张原始图片，相当于对一张图片只做一次特征提取，计算量明显降低

2、在原图上selective search算法画出的候选区域对应到CNN后面输出的feature map上，得到2k个左右的大小长宽比不一的候选区域，然后使用RoI pooling将这些候选区域resize到统一尺寸，继续后续的运算

3、将边框回归融入到卷积网络中，相当于CNN网络出来后，接上两个并行的全连接网络，一个用于分类，一个用于边框回归，变成多任务卷积网络训练。这一改进，相当于除了selective search外，剩余的属于端到端，网络一起训练可以更好的使对于分类和回归有利的特征被保留下来

4、分类器从SVM改为softmax，回归使用平滑L1损失。

缺点：因为有selective search，所以还是太慢了，一张图片inference需要3s左右，其中2s多耗费在ss上，且整个网络不是端到端。

三．Faster-RCNN

从RCNN到fast RCNN，再到本文的faster RCNN，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）终于被统一到一个深度网络框架之内。所有计算没有重复，完全在GPU中完成，大大提高了运行速度。

引入RPN，Faster-RCNN相当于Fast-RCNN+RPN，准确率和速度进一步提高，主要做了以下改进：

1、移除selective search算法，还是整张原始图片输入CNN进行特征提取，在CNN后面的卷积不再使用ss算法映射过来的候选区域，而是采用新的网络RPN，使用神经网络自动进行候选区域划分。

2、RPN通过生成锚点，以每个锚点为中心，画出9个不同长宽比的框，作为候选区域，然后对这些候选区域进行初步判断和筛选，看里面是否包含物体（与groundtruth对比IoU，大于0.7的为前景，小于0.3的为背景，中间的丢弃），若没有就删除，减少了不必要的计算。

3、有效的候选区域（置信度排序后选取大概前300个左右）进行RoI pooling后送入分类和边框回归网络。

优点：端到端网络，整体进行优化训练；使用神经网络自动生成的候选区域对结果更有利，比ss算法好；过滤了一些无效候选区，较少了冗余计算，提升了速度。

RPN训练：

1、加载预训练模型，训练RPN。

2、训练fast-rcnn，使用的候选区域是RPN的输出结果，然后进行后续的bb的回归和分类。

3、再训练RPN，但固定网络公共的参数，只更新RPN自己的参数。

4、根据RPN，对fast-rcnn进行微调训练。

四．R-FCN

一个base的conv网络如ResNet101, 一个RPN（Faster RCNN来的）,一个position sensitive的prediction层，最后的ROI pooling+投票的决策层。

分类需要特征具有平移不变性，检测则要求对目标的平移做出准确响应。现在的大部分CNN在分类上可以做的很好，但用在检测上效果不佳。SPP，Faster R-CNN类的方法在ROI pooling前都是卷积，是具备平移不变性的，但一旦插入ROI pooling之后，后面的网络结构就不再具备平移不变性了。因此，本文想提出来的position sensitive score map这个概念是能把目标的位置信息融合进ROI pooling。

对于region-based的检测方法，以Faster R-CNN为例，实际上是分成了几个subnetwork，第一个用来在整张图上做比较耗时的conv，这些操作与region无关，是计算共享的。第二个subnetwork是用来产生候选的boundingbox（如RPN），第三个subnetwork用来分类或进一步对box进行regression（如Fast RCNN），这个subnetwork和region是有关系的，必须每个region单独跑网络，衔接在这个subnetwork和前两个subnetwork中间的就是ROI pooling。我们希望的是，耗时的卷积都尽量移到前面共享的subnetwork上。因此，和Faster RCNN中用的ResNet（前91层共享，插入ROI pooling，后10层不共享）策略不同，本文把所有的101层都放在了前面共享的subnetwork。最后用来prediction的卷积只有1层，大大减少了计算量。

在Faster-RCNN基础上，进一步提高了准确率，主要以下改进：

1、使用全卷积层代替CNN basenet里面的全连接层。

2、CNN得到的feature map在RoI pooling之后变成3x3大小，把groundtruth也变成3x3大小，对9宫格每个区域分别比较和投票。