目标检测从入门到精通—R-CNN详细解析（二）

R-CNN目标检测详细解析

《Rich feature hierarchies for Accurate Object Detection and Segmentation》

Author：Mr. Sun

Date:2019.03.18

Loacation: DaLian university of technology

摘要：

　　这篇论文是深度学习进行物体检测的鼻祖级论文，Regions with CNN features（R-CNN）也可以说是利用深度学习进行目标检测的开山之作。 R-CNN是将CNN方法应用到目标检测上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过Region Proposals方法实现目标检测问题的转化。　

1、研究思路剖析—站在巨人的肩膀上

　　在过去的十多年时间里，传统的机器视觉领域，通常采用特征描述算子来应对目标识别任务，这些特征描述算子最常见的就是 SIFT 和 HOG，而 OpenCV 有现成的 API 可供大家实现相关的操作。但是最近SIFT 和 HOG 的王者地位被卷积神经网络撼动。

　　2012 年 Krizhevsky 等人在 ImageNet 举办的 ILSVRC 目标识别挑战大赛中一战成名，豪夺当年的第一名，Top5 错误率 15%,而他们团队提出来的网络结构以他们的导师名字命名，它就是 AlexNet，该结构有 5 层卷积层,2 层全连接层。详细结构如图1所示。

图1：AlexNet-8网络结构

　　因为 AlexNet 的出现，世人的目光重回神经网络领域，以此为契机，不断涌出各种各样的网络比如 VGG、GoogleNet、ResNet 等等。受 AlexNet 启发，论文作者尝试将 AlexNet 在 ImageNet 目标识别的能力泛化到 PASCAL VOC 目标检测上面来。但一切开始之前，需要解决两个主要的问题。

　　（1）如何利用深度的神经网络去做目标的定位？

　　　　借鉴了滑动窗口思想，R-CNN 采用对区域进行识别的方案。具体是：

　　　　　　（a）给定一张输入图片，从图片中提取 2000 个独立的候选区域。

　　　　　　（b）对于每个区域利用 CNN 抽取一个固定长度的特征向量。

　　　　　　（c）再对每个区域利用 SVM 进行目标分类。

　　（2）如何在一个小规模的数据集上训练能力强劲的网络模型？

　　　　采用在 ImageNet 上已经训练好的模型，然后在 PASCAL VOC 数据集上进行 fine-tune。因为 ImageNet 的图像高达几百万张，利用卷积神经网络充分学习浅层的特征，然后在小规模数据集做微训练调优，从而可以达到好的效果。现在，我们称之为迁移学习，是必不可少的一种技能。

 

2、R-CNN模型结构与训练过程详解

2.1 R-CNN结构分析

R-CNN的分类器结构如下图2所示：

图2：R-CNN模型结构

R-CNN算法一共分为四个步骤：

（1）候选区域选择（Region Proposal）

　　能够生成候选区域的方法很多，比如：objectness、selective search、category-independen object proposals、constrained parametric min-cuts(CPMC)、multi-scale combinatorial grouping、Ciresan等等。

　　Region Proposal就是为了获得候选框的方法，本文作者不具体研究 Region Proposal 的方法而是采用的是 Selective Search，一般Candidate选项为2000个即可，这里不再详述； 根据Proposal提取的目标图像变形为固定尺寸（227*227）然后去均值，作为CNN的标准输入。

（2）CNN特征提取（Feature Extraction ）

　　标准CNN过程，根据输入进行卷积/池化等操作，得到固定维度的输出。本文在训练SVM分类器时用的是FC7的特征输出作为SVM的训练输入，在训练Bounding-box回归时使用的是conv5之后的pool5（6*6*256）的特征作为输入的。

（3）分类（Classification）

　　对上一步的输出向量进行分类（需要根据输出特征训练分类器），本文使用的是线性的SVM二分类分类器，每一个分类器都需要单独训练。

（4）边界回归（Bounding-box Regression）

　　通过边界回归（bounding-box regression) 得到精确的目标区域，由于实际目标会产生多个子区域，旨在对完成分类的前景目标进行精确的定位与合并，避免多个检出。

R-CNN的整体结构如下图3所示：

图3：R_CNN整体结构

2.2 R-CNN训练过程分析

 步骤一：有监督分类器预训练　

　　ILSVRC样本集上仅有图像类别标签，没有图像物体位置标注；而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；但是PASCAL VOC训练样本太少不足以去训练一个大型的神经网络， 因此作者以ILSVRC2012分类数据集（没有约束框数据）作为辅助预训练了CNN。预训练采用了Caffe的CNN库。总体来说，使用的CNN十分接近krizhevsky等人的网络的性能，在ILSVRC2012分类验证集在top-1错误率上比他们高2.2%。差异主要来自于训练过程的简化。
　　作者采用AlexNet CNN网络进行有监督训练，学习率=0.01；该网络的输入为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。然后传入下一步进行迁移学习，也就是特定样本下的 fine-tune ，获得适合该样本下的最优模型。AlexNet网络结构如下图4所示。

图4：AlexNet网络结构

步骤二：特定样本下的分类器微调（fine-tune）

　　坦率的说，这一步就是我们经常说的迁移学习（Transfer Learning）。加载步骤一中训练好的模型，使用该模型中特征提取的参数来初始化我们这里的CNN的参数。我们将AlexNet的FC7之后的1000-way（ImageNet类别数）换成21-way（PASCAL VOC类别数 + 背景），然后进行softmax回归。这里使用通过SS（Selective Search）算法对图像处理获得2000个左右的候选区域（Region Proposal），然后将候选区域和真实标注区域（Ground Truth）的 IOU>0.5时作为正样本，否则作为负样本进行训练。需要注意的是对于每一个随机梯度（SGD）迭代，我们使用一个mini_batch=128的小批次，其中使用32个当前类的样本（正样本）和96个背景样本作为负样本。这一步的目的就是让模型去学习特定的样本，通过作者的实验发现这一步骤还是很有必要的。作者得出结论是：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， 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。

　　这里的随机梯度处理的是一张图片的候选区域吗？这里的mini_batch=128小批次中的32个正样本和96和负样本均来自哪？这里的正样本中包含多少类别呢？

　　这个疑问我一直没搞懂，先简单说一下我的理解：首先，PASCAL VOC数据集标签中应该是有标准矩形框的坐标和所属类别的。我个人觉得这里处理的确实是一张图片的2000个候选区域，然后通过和标准的Ground Truth计算IOU值选出很多正样本和负样本，然后在正样本中随机选出32张、在负样本中选出96张，将它们作为一个批次进行前向传播计算去fine-tune参数。反向传播结束之后，再换下一张图片进行下一轮的Region Proposal，一直到把这个分类模型训练好，训练结束后保存FC7层的特征（权重参数）。

步骤三：训练SVM分类器

　　建立新的SVM的分类器模型，模型的FC7层之后修改为SVM分类器（多个线性二分类SVM）。将步骤二的模型的卷积层参数和FC6、FC7的参数加载到模型中，保持前7层参数不变，其它参数随机初始化，只是让分类器通过学习前面学习到的特征对物体进行分类。训练的样本仍然是来自一张图片的2000个Region Proposal，计算IOU之后筛选出来正负样本用于训练分类器

　　针对每个类别训练一个SVM的二分类器。输入是FC7的特征，FC7的输出维度是2000*4096，输出的是是否属于该类别，训练结果是得到SVM的权重矩阵W，W的维度是4096*20。这里负样本的选定和前面的有所不同，将IOU的阈值从0.5改成0.3，即IOU<0.3的是负样本，IOU>0.7是正样本。IOU的阈值选择和前面fine-tuning不一样，主要是因为：前面fine-tuning需要大量的样本，所以设置成0.5会比较宽松。而在SVM阶段是由于SVM适用于小样本，所以设置0.3会更严格一点。

步骤四：边界框回归（Bounding-box Regression）

　　使用conv5之后的pool5的特征6*6*256维（输入特征）和bounding box的ground truth（相当于要回归的值）来训练回归，每种类型的回归器单独训练。输入是pool5的特征，以及每个样本对的坐标和长宽值。另外只对那些跟ground truth的IOU超过某个阈值且IOU最大的Region Proposal回归，其余的region proposal不参与。详细说一下：对于某个region proposal：R，以及其对应的Ground truth：G，我们希望预测结果是：P，那么我们肯定希望P尽可能接近G。这里通过对pool5层的特征X做线性变换WX得到变换函数F（X），这些变换函数作用于R的坐标达到回归的作用（包括对x，y的平移以及对w，h的缩放）。因此损失函数可以表达为：R和G的差距减去P和G的差距要尽可能小。

R-CNN的训练具体流程：

　　（1）准备region proposal。对于训练集中的所有图像，采用selective search方式来获取，最后每个图像得到2000个region proposal。

准备正负样本。如果某个region proposal和当前图像上的所有ground truth(标记)重叠面积最大的那个的IOU大于等于0.5，则该region proposal作为这个ground truth类别的正样本，否则作为负样本。另外正样本还包括了Ground Truth。因为VOC一共包含20个类别，所以这里region proposal的类别为20+1=21类，1表示背景。简单说下IOU的概念，IOU是计算矩形框A、B的重合度的公式：IOU=(A∩B)/(A∪B)，重合度越大，说明二者越相近。

　　（2）预训练。这一步主要是因为检测问题中带标签的样本数据量比较少，难以进行大规模训练。采用的是Krizhevsky在2012年的著名网络AlexNet来学习特征，包含5个卷积层和2个全连接层，在Caffe框架下利用ILSVRC 2012的数据集进行预训练，其实就是利用大数据集训练一个分类器，这个ILSVRC 2012数据集就是著名的ImageNet比赛的数据集，也是彩色图像分类。

　　（3）fine-tuning。将2中得到的样本进行尺寸变换，使得大小一致，这是由于2中得到的region proposal大小不一，所以需要将region proposal变形成227*227。本文中对所有不管什么样大小和横纵比的region proposal都直接拉伸到固定尺寸。然后作为3中预训练好的网络的输入，继续训练网络，继续训练其实就是迁移学习。另外由于ILSVRC 2012是一个1000类的数据集，而本文的数据集是21类（包括20个VOC类别和一个背景类别），迁移的时候要做修改，将最后一个全连接层的输出由1000改成21，其他结构不变。训练结束后保存f7的特征。

　　（4）针对每个类别训练一个SVM的二分类器。输入是f7的特征，f7的输出维度是2000*4096，输出的是是否属于该类别，训练结果是得到SVM的权重矩阵W，W的维度是4096*20。这里负样本的选定和前面的有所不同，将IOU的阈值从0.5改成0.3，即IOU<0.3的是负样本，正样本是Ground Truth。IOU的阈值选择和前面fine-tuning不一样，主要是因为：前面fine-tuning需要大量的样本，所以设置成0.5会比较宽松。而在SVM阶段是由于SVM适用于小样本，所以设置0.3会更严格一点。

　　（5）回归。用pool5的特征6*6*256维和bounding box的ground truth来训练回归，每种类型的回归器单独训练。输入是pool5的特征，以及每个样本对的坐标和长宽值。另外只对那些跟ground truth的IOU超过某个阈值且IOU最大的proposal回归，其余的region proposal不参与。详细说一下：对于某个region proposal：R，以及其对应的Ground truth：G，我们希望预测结果是：P，那么我们肯定希望P尽可能接近G。这里通过对pool5层的特征X做线性变换WX得到变换函数F（X），这些变换函数作用于R的坐标达到回归的作用（包括对x，y的平移以及对w，h的缩放）。因此损失函数可以表达为：R和G的差距减去P和G的差距要尽可能小。

3、R-CNN模型的测试过程分析

　　（1）输入一张图像，利用Selective Search得到2000个Region Proposal。

　　（2）对所有Region Proposal变换到固定尺寸（227*227），然后将所有建议框像素减去该建议框像素平均值后【预处理操作】，并作为已训练好的CNN网络的输入，得到f7层的4096维特征【比以前的人工经验特征低两个数量级】，所以f7层的输出是2000*4096。

　　（3）对每个类别，采用已训练好的这个类别的svm分类器对提取到的特征打分（Feature Scores），所以SVM的Weight Matrix是4096*N，N是类别数，这里一共有20个SVM，N=20注意不是21。得分矩阵是2000*20，表示每个Region Proposal属于某一类的得分。

　　（4）采用Non-Maximun Suppression（NMS）对得分矩阵中的每一列中的Region Proposal进行剔除，就是去掉重复率比较高的几个Region Proposal，得到该列中得分最高的几个Region Rroposal。NMS的意思是：举个例子，对于2000*20中的某一列得分，找到分数最高的一个Region Proposal，然后只要该列中其他Region Proposal和分数最高的IOU超过某一个阈值，则剔除该Region Proposal。这一轮剔除完后，再从剩下的Region Proposal找到分数最高的，然后计算别的Region Proposal和该分数最高的IOU是否超过阈值，超过的继续剔除，直到没有剩下Region Proposal。对每一列都这样操作，这样最终每一列（即每个类别）都可以得到一些rRegion Proposal。

　　（5）用N=20个回归器对第4步得到的20个类别的region proposal进行回归，要用到pool5层的特征。pool5特征的权重W是在训练阶段的结果，测试的时候直接用。最后得到每个类别的修正后的Bounding-box。

4、R-CNN存在的明显问题（后续网络改进的点）

　　（1）每张图像需要提前提取2000个候选区域（Region Proposal），占用较大的磁盘空间(Memory)；

　　（2）针对传统CNN需要固定尺寸（227*227）的输入图像，crop/warp（归一化）产生物体截断或拉伸，会导致输入CNN的信息丢失；

　　（3）每一个Region Proposal都需要进入CNN网络计算，上千个Region存在大量的范围重叠，重复的特征提取带来巨大的计算浪费。

5、关于R-CNN的一些细节性问题

　　（1）速度问题

　　　　经典的目标检测算法使用滑窗法依次判断所有可能的区域。本文采用选择性搜索（Selective Search）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。

　　（2）训练集问题

　　　　（a）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：

　　　　（b）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。

　　　　（c）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。
　　　本文使用识别库进行预训练，而后用检测库调优参数。最后在检测库上评测。

　　（3）直接使用AlexNet做特征提取，省去fine-tune阶段可以吗？

　　　　这个是可以的，你可以不重新训练CNN，直接采用Alexnet模型，提取出pool5、或者FC6、FC7的特征，作为特征向量，然后进行训练SVM，只不过这样精度会比较低。那么问题又来了，没有fine-tuning的时候，要选择哪一层的特征作为cnn提取到的特征呢？我们有可以选择pool5、FC6、FC7，这三层的神经元个数分别是9216、4096、4096。从pool5（6*6*256）到FC6这层的参数个数是：9216*4096 ，从f6到f7的参数是4096*4096。那么具体是选择p5、还是f6，又或者是f7呢？

　　　　Paper给我们证明了一个结论，如果你不进行fine-tuning，也就是你直接把Alexnet模型当做特征提取器使用，类似于HOG、SIFT一样做特征提取，不针对特定的任务。然后把提取的特征用于分类，结果发现pool5的精度竟然跟FC6、FC7差不多，而且FC6提取到的特征还比FC7的精度略高；如果你进行fine-tuning了，那么FC7、FC6的提取到的特征最后训练出来的svm分类器的精度就会大幅提高。

　　　　鉴于此让我们明白了一个道理，如果不针对特定任务进行fine-tuning，而是把CNN当做特征提取器，卷积层所学到的特征其实就是基础的共享特征提取层，就类似于SIFT提取特征一样，可以用于提取各种图片的基础特征，而FC6、FC7所学习到的特征是用于针对特定任务的特征（高级抽象特征）。打个比方：对于人脸性别识别来说，一个CNN模型前面的卷积层所学习到的特征就类似于学习人脸共性特征，然后全连接层所学习的特征就是针对特殊个体分类的特征了。

　　　（4）在fine-tune训练的时候最后一层本来就是softmax分类层，那么为什么（闲的蛋疼）作者要利用CNN做特征提取（提取FC7层数据），然后再把提取的特征用于训练SVM分类器呢？

　　　　这个是因为SVM训练和CNN训练过程的正负样本定义方式各有不同，导致最后采用CNN softmax输出比采用SVM精度低。事情是这样的，CNN在训练的时候，对训练数据做了比较宽松的标注，比如一个Bounding-box可能只包含物体的一部分，那么我也把它标注为正样本，用于训练CNN；采用这个方法的主要原因在于因为CNN容易过拟合，所以需要大量的训练数据（不太理解，不是一样使用32个正样本，96个负样本吗？），所以在CNN训练阶段我们是对Bounding-box的位置限制条件限制的比较松(IOU只要大于0.5都被标注为正样本了)；

　　　　然而svm训练的时候，因为SVM适用于少样本训练，所以对于训练样本数据的IOU要求比较严格，我们只有当Bounding-box把整个物体都包含进去了，我们才把它标注为物体类别，然后训练svm。