从rcnn, fast rcnn, faster rcnn, yolo, r-fcn, ssd,到cvpr的yolo9000。这些paper中损失函数都包含了边框回归,除了rcnn详细介绍了,其他的paper都是一笔带过,或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多,后面的两条我看了很多paper,才得出这些结论。
- 为什么要边框回归?
- 什么是边框回归?
- 边框回归怎么做的?
- 边框回归为什么宽高,坐标会设计这种形式?
- 为什么边框回归只能微调,在离Ground Truth近的时候才能生效?
为什么要边框回归?
这里引用王斌师兄的理解,如下图所示:
对于上图,绿色的框表示 Ground Truth, 红色的框为 Selective Search 提取的 Region Proposal。那么即便红色的框被分类器识别为飞机,但是由于红色的框定位不准(IoU<0.5), 那么这张图相当于没有正确的检测出飞机。 如果我们能对红色的框进行微调, 使得经过微调后的窗口跟 Ground Truth 更接近, 这样岂不是定位会更准确。 确实,Bounding-box regression 就是用来微调这个窗口的。
边框回归是什么?
对于窗口一般使用四维向量 (x,y,w,h)(x,y,w,h)(x,y,w,h) 来表示, 分别表示窗口的中心点坐标和宽高。 对于下图, 红色的框 P 代表原始的 Proposal, 绿色的框 G 代表目标的 Ground Truth, 我们的目标是寻找一种关系使得输入原始的窗口 P 经过映射得到一个跟真实窗口 G 更接近的回归窗口 G^\hat{G}G^。
边框回归的目的既是:给定 (Px,Py,Pw,Ph)(P_{x},P_{y},P_{w},P_{h})(Px,Py,Pw,Ph) 寻找一种映射 fff, 使得 f(Px,Py,Pw,Ph)=(Gx^,Gy^,Gw^,Gh^)f(P_{x},P_{y},P_{w},P_{h}) = (\hat{G_x},\hat{G_y},\hat{G_w},\hat{G_h})f(Px,Py,Pw,Ph)=(Gx^,Gy^,Gw^,Gh^) 并且(Gx^,Gy^,Gw^,Gh^)≈(Gx,Gy,Gw,Gh)(\hat{G_x},\hat{G_y},\hat{G_w},\hat{G_h}) \approx (G_{x},G_{y},G_{w},G_{h})(Gx^,Gy^,Gw^,Gh^)≈(Gx,Gy,Gw,Gh)
边框回归怎么做的?
RCNN论文:Region-based Convolution Networks for Accurate Object detection and Segmentation
作者在完成了的生成候选区域——CNN提取特征——SVM进行分类
以后,为了进一步的提高定位效果,在文章的附录C中介绍了 Bounding-box Regression 的处理。Bounding-box Regression 训练的过程中,输入数据为N个训练对 (Pi,Gi),i=1,2,...,N{(P^{i},G^{i})},i=1,2,...,N(Pi,Gi),i=1,2,...,N,其中 pi=(pxi,pyi,pwi,phi)p^i=(p^i_x,p^i_y,p^i_w,p^i_h)pi=(pxi,pyi,pwi,phi) 为proposal的位置,前两个坐标表示proposal的中心坐标,后面两个坐标分别表示proposal的width和height,而 Gi=(Gx,Gy,Gw,Gh)G^i=(G_x,G_y,G_w,G_h)Gi=(Gx,Gy,Gw,Gh) 表示groundtruth的位置, regression的目标就是学会一种映射将P转换为G。
那么经过何种变换才能从上图中的窗口 P 变为窗口 G^\hat{G}G^ 呢? 比较简单的思路就是: 平移+尺度放缩
作者设计了四种坐标映射方法,其中前两个表示对 proposal 中心坐标的尺度不变的平移变换,后面两个则是对 proposal 的 width 和 height 的对数空间的变换,
- 先做平移 (Δx,Δy)(\Delta x,\Delta y)(Δx,Δy), Δx=Pwdx(P),Δy=Phdy(P)\Delta x = P_{w}d_{x}(P),\Delta y = P_{h}d_{y}(P)Δx=Pwdx(P),Δy=Phdy(P) 这是R-CNN论文的:(d∗(P)=w∗TΦ5(P)=t∗d_{ \ast }(P) = w_{ \ast }^{T}\Phi _{5}(P)=t_{ \ast }d∗(P)=w∗TΦ5(P)=t∗)
G^x=Pwdx(P)+Px,(1)\hat{G}_{x} = P_{w}d_{x}(P) + P_{x},\text{(1)}G^x=Pwdx(P)+Px,(1)
G^y=Phdy(P)+Py,(2)\hat{G}_{y} = P_{h}d_{y}(P) + P_{y},\text{(2)}G^y=Phdy(P)+Py,(2)
- 然后再做尺度缩放 (Sw,Sh)(S_{w},S_{h})(Sw,Sh), Sw=exp(dw(P)),Sh=exp(dh(P))S_{w} = exp(d_{w}(P)),S_{h} = exp(d_{h}(P))Sw=exp(dw(P)),Sh=exp(dh(P)), 对应论文中:
G^w=Pwexp(dw(P)),(3)\hat{G}_{w} = P_{w}exp(d_{w}(P)),\text{(3)}G^w=Pwexp(dw(P)),(3)
G^h=Phexp(dh(P)),(4)\hat{G}_{h} = P_{h}exp(d_{h}(P)),\text{(4)}G^h=Phexp(dh(P)),(4)
观察(1)-(4)我们发现, 边框回归学习就是 dx(P),dy(P),dw(P),dh(P)d_{x}(P),d_{y}(P),d_{w}(P),d_{h}(P)dx(P),dy(P),dw(P),dh(P)这四个变换。下一步就是设计算法那得到这四个映射。
线性回归就是给定输入的特征向量 X, 学习一组参数 W, 使得经过线性回归后的值跟真实值 Y(Ground Truth)非常接近. 即 Y≈WXY \approx WXY≈WX 。 那么 Bounding-box 中我们的输入以及输出分别是什么呢?
Input:
RegionProposal→P=(Px,Py,Pw,Ph)RegionProposal\rightarrow P = (P_{x},P_{y},P_{w},P_{h})RegionProposal→P=(Px,Py,Pw,Ph),这个是什么? 输入就是这四个数值吗?不是,其实真正的输入是这个窗口对应的 CNN 特征,也就是 R-CNN 中的 Pool5 feature(特征向量)。 (注:训练阶段输入还包括 Ground Truth, 也就是下边提到的 t∗=(tx,ty,tw,th)t_{ \ast } = (t_{x},t_{y},t_{w},t_{h})t∗=(tx,ty,tw,th)
Output:
outpue 为:需要进行的平移变换和尺度缩放 dx(P),dy(P),dw(P),dh(P)d_{x}(P),d_{y}(P),d_{w}(P),d_{h}(P)dx(P),dy(P),dw(P),dh(P), 或者说是 Δx,Δy,Sw,Sh\Delta x,\Delta y,S_{w},S_{h}Δx,Δy,Sw,Sh 。 我们的最终输出不应该是 Ground Truth 吗? 是的, 但是有了这四个变换我们就可以直接得到 Ground Truth。
这里有个问题需要注意, 根据(1)~(4)我们可以知道, P 经过 dx(P),dy(P),dw(P),dh(P)d_{x}(P),d_{y}(P),d_{w}(P),d_{h}(P)dx(P),dy(P),dw(P),dh(P) 得到的并不是真实值 G, 而是预测值 G^\hat{G}G^。
在训练时这四个值 Δx,Δy,Sw,Sh\Delta x,\Delta y,S_{w},S_{h}Δx,Δy,Sw,Sh 的真实值应该是经过 Ground Truth 和 Proposal 计算得到的真正需要的平移量 (tx,ty)(t_{x},t_{y})(tx,ty) 和尺度缩放 (tw,th)(t_{w},t_{h})(tw,th) 。 这也就是 R-CNN 论文中的(6)~(9):
tx=(Gx−Px)/Pw,(6)t_{x} = (G_{x}−P_{x})/ P_{w},(6)tx=(Gx−Px)/Pw,(6)
ty=(Gy−Py)/Ph,(7)t_{y} = (G_{y}−P_{y})/ P_{h},(7)ty=(Gy−Py)/Ph,(7)
tw=log(Gw/Pw),(8)t_{w} = \log (G_{w}/ P_{w}),(8)tw=log(Gw/Pw),(8)
th=log(Gh/Ph),(9)t_{h} = \log (G_{h}/ P_{h}),(9)th=log(Gh/Ph),(9)
目标函数
目标函数可以表示为 d∗(P)=w∗TΦ5(P)d_{ \ast }(P) = w_{ \ast }^{T}\Phi _{5}(P)d∗(P)=w∗TΦ5(P), Φ5(P)\Phi _{5}(P)Φ5(P) 是输入 Proposal 的特征向量,w∗w_{ \ast }w∗是要学习的参数(*表示 x,y,w,h, 也就是每一个变换对应一个目标函数) , d∗(P)d_{ \ast }(P)d∗(P) 是得到的预测值。 我们要让预测值跟真实值 t∗=(tx,ty,tw,th)t_{ \ast } = (t_{x},t_{y},t_{w},t_{h})t∗=(tx,ty,tw,th)差距最小, 得到损失函数为:
Loss=∑iN(t∗i−w^∗Tϕ5(Pi))2.Loss = \sum \limits_{i}^{N}(t_{ \ast }^{i}−\hat{w}_{ \ast }^{T}\phi _{5}(P^{i}))^2.Loss=i∑N(t∗i−w^∗Tϕ5(Pi))2.
函数优化目标为:
W∗=argminw∗∑iN(t∗i−w^∗Tϕ5(Pi))2+λ∣∣w^∗∣∣2.W_{ \ast } = argmin_{w_{ \ast }} \sum \limits_{i}^{N}(t_{ \ast }^{i}−\hat{w}_{ \ast }^{T}\phi _{5}(P^{i}))^2 + \lambda ||\hat{w}_{ \ast }||^2.W∗=argminw∗i∑N(t∗i−w^∗Tϕ5(Pi))2+λ∣∣w^∗∣∣2.
利用梯度下降法或者最小二乘法就可以得到 w∗w_{ \ast }w∗。
最终在进行实验时,lambda = 1000, 同时作者发现同一对中P和G相距过远时通过上面的变换是不能完成的,而相距过远实际上也基本不会是同一物体,因此作者在进行实验室,对于 pair(P,G) 的选择是选择离P较近的G进行配对,这里表示较近的方法是需要P和一个G的最大的IoU要大于0.6,否则则抛弃该P。
为什么宽高尺度会设计这种形式?
重点解释一下为什么设计的 tx,tyt_{x},t_{y}tx,ty为什么除以宽高,为什么 tw,tht_{w},t_{h}tw,th会有log形式!!!
首先CNN具有尺度不变性, 以下图为例:
x,y 坐标除以宽高
上图的两个人具有不同的尺度,因为他都是人,我们得到的特征相同。假设我们得到的特征为 ϕ1,ϕ2\phi _{1},\phi _{2}ϕ1,ϕ2,那么一个完好的特征应该具备 ϕ1=ϕ\phi _{1} = \phiϕ1=ϕ。ok,如果我们直接学习坐标差值,以x坐标为例,xi,pix_{i},p_{i}xi,pi 分别代表第i个框的x坐标,学习到的映射为 fff, f(ϕ1)=x1−p1f(\phi _{1}) = x_{1}−p_{1}f(ϕ1)=x1−p1,同理 f(ϕ2)=x2−p2f(\phi _{2}) = x_{2}−p_{2}f(ϕ2)=x2−p2。从上图显而易见,x1−p1≠x2−p1x_{1}−p_{1} \neq x_{2}−p_{1}x1−p1=x2−p1。也就是说同一个x对应多个y,这明显不满足函数的定义。边框回归学习的是回归函数,然而你的目标却不满足函数定义,当然学习不到什么。
宽高坐标Log形式
我们想要得到一个放缩的尺度,也就是说这里限制尺度必须大于0。我们学习的 tw,tht_{w},t_{h}tw,th怎么保证满足大于0呢?直观的想法就是EXP函数,如公式(3), (4)所示,那么反过来推导就是Log函数的来源了。
为什么IoU较大,认为是线性变换?
当输入的 Proposal 与 Ground Truth 相差较小时(RCNN 设置的是 IoU>0.6), 可以认为这种变换是一种线性变换, 那么我们就可以用线性回归来建模对窗口进行微调, 否则会导致训练的回归模型不 work(当 Proposal跟 GT 离得较远,就是复杂的非线性问题了,此时用线性回归建模显然不合理)。这里我来解释:
Log函数明显不满足线性函数,但是为什么当Proposal 和Ground Truth相差较小的时候,就可以认为是一种线性变换呢?大家还记得这个公式不?参看高数1。
limx=0log(1+x)=xlim_{x = 0}log(1 + x) = xlimx=0log(1+x)=x
现在回过来看公式(8):
tw=log(Gw/Pw)=log(Gw+Pw−PwPw)=log(1+Gw−PwPw)t_{w} = \log (G_{w}/ P_{w}) = log(\frac{G_{w} + P_{w}−P_{w}}{P_{w}}) = log(1 + \frac{G_{w}−P_{w}}{P_{w}})tw=log(Gw/Pw)=log(PwGw+Pw−Pw)=log(1+PwGw−Pw)
当且仅当 Gw−Pw=0G_{w}−P_{w}=0Gw−Pw=0的时候,才会是线性函数,也就是宽度和高度必须近似相等。
对于IoU大于指定值这块,我并不认同作者的说法。我个人理解,只保证Region Proposal和Ground Truth的宽高相差不多就能满足回归条件。x,y位置到没有太多限制,这点我们从YOLOv2可以看出,原始的边框回归其实x,y的位置相对来说对很大的。这也是YOLOv2的改进地方。