深度学习500问——Chapter08：目标检测（1）
深度学习500问——Chapter08：目标检测（1）
文章目录
8.1 基本概念
8.1.1 什么是目标检测
8.1.2 目标检测要解决的核心问题
8.1.3 目标检测算法分类
8.1.4 目标检测有哪些应用
8.2 Two Stage 目标检测算法
8.2.1 R-CNN
8.2.2 Fast R-CNN
8.2.3 Faster R-CNN
8.1 基本概念
8.1.1 什么是目标检测
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
计算机视觉中关于图像识别有四大类任务：
- 分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
- 定位-Location：解决“在哪里？”的问题，即定位出这个目标的位置。
- 检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的位置并且知道目标物是什么。
- 分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标或场景”的问题。
8.1.2 目标检测要解决的核心问题
除了图像分类之外，目标检测要解决的核心问题是：
- 目标可能出现在图像的任何位置。
- 目标有各种不同的大小。
- 目标可能有各种不同的形状。
8.1.3 目标检测算法分类
基于深度学习的目标检测算法主要分为两类：
1、Two stage 目标检测算法
- 先进行区域生成（region proposal，RP）（一个有可能包含待检测的预选框），再通过卷积神经网络进行样本分类。
- 任务：特征提取→生成RP→分类/定位回归
- 常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R C-NN和R-FCN等。
2、One stage 目标检测算法
- 不用RP，直接在网络中提取特征来预测物体分类和位置。
- 任务：特征提取→分类/定位回归
- 常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。
8.1.4 目标检测有哪些应用
目标检测具有巨大的实用价值和应用前景。应用领域包括人脸检测、行人检测、车辆检测、飞机航拍或卫星图像中道路的检测、车载摄像机图像中的障碍物检测、医学影响在的病灶检测等。还有在安防领域中，可以实现比如安全帽、安全带等动态检测，移动侦测、区域入侵检测、物品看护等功能。
8.2 Two Stage 目标检测算法
8.2.1 R-CNN
R-CNN有哪些创新点
- 使用CNN（ConvNet）对region proposal 计算 feature vectors。从经验驱动特征（SIFT、HOG）到数据驱动特征（CNN feature map），提高特征对样本的表示能力。
- 采用大样本下（ILSVRC）有监督预训练和小样本（PASCAL）微调（fine-tuning）的方法解决小样本难训练甚至过拟合等问题。
注：ILSVRC其实就是众所周知的ImageNet的挑战赛，数据量极大；PASCAL数据集（包含目标检测和图像分割等），相对较小。
R-CNN 介绍
R-CNN作为R-CNN的系列的第一代算法，其实没有过多的使用“深度学习”的思想，而是将“深度学习”和传统的“计算机视觉”的知识相结合。比如R-CNN pipeline中的第二步和第四步其实就属于传统的“计算机视觉”技术。使用selective search提取region proposals，使用SVM实现分类。
原论文中R-CNN pipeline只有4个步骤，光看上图无法深刻理解R-CNN的处理机制，下面结合图示补充相应文字：
1. 预训练模型。选择一个预训练（pre-trained）神经网络（如AlexNet、VGG）。
2. 重新训练全连接层。使用需要检测的目标重新训练（re-train）最后全连接层（connected layer）。
3. 提取proposals并计算CNN特征，利用选择搜索（Selective Search）算法提取所有proposals（大约2000幅images），调整（resize/wrap）它们成固定大小，以满足CNN输入要求（因为全连接层的限制），然后将feature map保存到本地磁盘。
4. 训练SVM。利用feature map训练SVM来对目标和背景进行分类（每一个类一个二进制SVM）。
5. 边界框回归（Bounding boxes Regression）。训练将输出一些校正因子的线性回归分类器。
R-CNN实验结果
R-CNN在VOC 2007测试集上mAP达到58.5%，打败当时所有的目标检测算法。
8.2.2 Fast R-CNN
Fast R-CNN有哪些创新点
- 只对整幅图像进行一次特征提取，避免R-CNN的冗余特征。
- 用Rol pooling层替换最后一层的max pooling层，同时引入建议框数据，提取相应建议框特征。
- Fast R-CNN网络末尾采用并行的不同的全连接层，可同时输出分类结果和窗口回归结果，实现了end-to-end的多任务训练（建议框提取除外），也不需要额外的特征存储空间（R-CNN中的特征相需要保存到本地，来供SVM和Bounding-box regression进行训练）。
- 采用SVD对Fast R-CNN网络末尾并行的全连接层进行分解，减少计算复杂度，加快检测速度。
Fast R-CNN 介绍
Fast R-CNN 是基于R-CNN和SPPnets进行的改进。SPPnets，其创新点在于计算整幅图像的the shared feature map，然后根据object proposal在shared feature map上映射到对应的feature vector（就是不用重复计算feature map）了。当然，SPPnets也有缺点：和R-CNN一样，训练是多阶段（multiple-stage pipeline）的，速度还是不够“快”，特征还要保存到本地磁盘中。
将候选区域直接应用于特征图，并使用Rol pooling将其转化为固定大小的特征图块。以下是Fast R-CNN的流程图：
Rol Pooling 层详解
因为Fast R-CNN使用全连接层，所以应用Rol Pooling将不同大小的ROI转换为固定大小。
Rol Pooling 是Pooling是一种，而且是针对Rol的Pooling，其特点是输入特征图尺寸不固定，但是输出特征图尺寸固定（如7x7）.
什么是 Rol 呢
Rol是Region of Interest的简写，一般是指图像上的区域框，但这里指的是由Selective Search提取的候选框。
往往经过RPN后输出的不止一个矩形框，所以这里我们是对多个Rol进行Pooling。
Rol Pooling 的输入
输入有两部分组成：
- 特征图（feature map）：指的是上面所示的特征图，在Fast RCNN中，它位于Rol Pooling之前，在Faster RCNN中，它是与RPN共享那个特征图，通常我们常常称之为“share_conv”；
- Rols：其表示所有的Rol的 N*5 的矩阵。其中N表示Rol的数量，第一列表示图像index，其余四列表示其余的左上角和右下角坐标。
在Faster RCNN中，指的是Selective Search的输出；在Faster RCNN中指的是RPN的输出，一堆矩形候选框，形状为 1x5x1x1 （4个坐标 + 索引index），其中值得注意的是：坐标的参考系不是针对feature map这张图的，而是针对原图的（神经网络最开始的输入）。其实关于ROI的坐标理解一直很混乱，到底是根据谁的坐标来。其实很好理解，我们已知原图的大小和由Selective Search算法提取的候选框坐标，那么根据“映射关系”可以得出特征图（feature map）的大小和候选框在feature map上的映射坐标。至于如何计算，其实就是比值问题，下面会介绍。所以这里把ROI理解为原图上 各个候选框（region proposal），也是可以的。
注：说句题外话，由Selective Search 算法提取的一系列可能含有object的bounding box，这些通常称为region proposals 或者 region of interest（ROI）。
Rol 的具体操作
1. 根据输入image，将ROI映射到feature map对应位置
注：映射规则比较简单，就是把各个坐标除以“输入图片与feature map的大小的比值”，得到了feature map上的box坐标。
2. 将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）。
3. 对每个sections进行 max pooling 操作。
这样我们就i可以从不同大小的方框得到固定大小的相应的feature maps。值得一提的是，输出的feature maps的大小不取决于ROI和卷积feature maps大小。Rol Pooling最大的好处就在于极大地提高了处理速度。
Rol Pooling 的输出
输出是batch个vector，其中batch的值等于Rol的个数，vector的大小为channel * w * h；Rol Pooling的过程就是将一个大小不同的box矩形框，都映射成大小固定（w * h）的矩形框。
Rol Pooling 的示例
8.2.3 Faster R-CNN
Faster R-CNN 有哪些创新点
Fast R-CNN依赖于外部候选区域方法，如选择性搜索。但这些算法在CPU上运行且速度很慢。在测试中，Fast R-CNN需要2.3秒来进行预测，其中2秒用于生成2000个ROI。Faster R-CNN采用与Fast R-CNN相同的设计，只是它用内部深层网络代替了候选区域方法。新的候选区域网络（RPN）在生成ROI时效率更高，并且以每幅图像10毫秒的速度运行。
Faster R-CNN的流程图
候选区域网络
候选区域网络（RPN）将第一个卷积网络的输出特征图作为输入。它在特征图上滑动一个 3x3的卷积核，以使用卷积网络（如下所示的ZF网络）构建与类别无关的候选区域。其他深度网络（如VGG或ResNet）可用于更全面的特征提取，但这需要以速度为代价。
ZF网络最后会输出256个值，它们将馈送到两个独立的全连接层，以预测边界框和两个objectness分数，这两个objectness分数度量了边界框是否包含目标。
我们其实可以使用回归器计算单个objectness分数，但为简洁起见，Faster R-CNN使用只有两个类别的分类器：即带有目标的类别和不带有目标的类别。
对于特征图中的每一个位置，RPN会做k次预测。因此，RPN将输出 4xk 个坐标和每个位置 2xk 个得分。
下图展示了 8x8的特征图，且有一个 3x3 的卷积核执行运算，它最后输出 8x8x3 个ROI（其中k=3）。下图（右）展示了单个位置的3个候选区域。
假设最好涵盖不同的形状和大小。因此，Faster R-CNN不会创建随机边界框。相反，它会预测一些与左上角名为锚点的参考框相关的偏移量（如x，y）。我们限制这些偏移量的值，因为我们的猜想仍然类似于锚点。
要对每个位置进行k个预测，我们需要以每个位置为中心的k个锚点。每个预测与特定锚点相关联，但不同位置共享相同形状的锚点。
这些锚点是精心挑选的，因此它们是多样的，且覆盖具有不同比例和宽高比的现实目标。这使得我们可以用更好的猜想来指导初始训练，并允许每个预测专门用于特定的形状。该策略使早期训练更加稳定和简便。
Faster R-CNN使用更多的锚点
它部署9个锚点框：3个不同宽高比的3个不同大小的锚点（Anchor）框。每一个位置使用9个锚点，每个位置会生成 2x9 个 objectness分数的 4x9 个坐标。