检测系列--RCNN系列

一.RCNN

框架：

1.selective search

2,区域预处理，尺寸缩放到227×227

3.利用Alexnet(去掉最后分类层，4096维向量)，做特征提取，一个物体一个SVM分类，(当时认为SVM比softmax分类好)bounding box回归

4.正负样本选择方法

全连接层最后一层换成分类数+背景，IOU>0.5，正样本，IOU<0.5，负样本，每个类别对应一个SVM分类器

5.回归，利用的是第五层卷积特征做回归

6.测试，测试出来的最大分值的框，做NMS去掉多余的框

7.评价指标，召回率例如是坏人就抓回监狱

速度慢的原因：每个区域都需要卷积，用于SVM、b-box 回归的特征需要存储到磁盘中,这将需要占用大量的磁盘空间,而且提取这些特征也会耗费好多时间。

问题：训练时间很长(84小时)，Fine-tune(18)+ 特征提取(63)+ SVM/Bbox训练(3)，测试阶段很慢:VGG16一张图片47s，复杂的多阶段训练。

二.SPP-Net

1.改进：（1）共享卷积，直接在Conv5用特征

（2）引入空间金字塔池化（spp）,为不同尺寸的区域在conv5输出上提取特征，映射到尺寸固定的全连接层

2.spp网络结构

3.分块，块里面做最大池化

4.特征位置与原图对应

5.训练过程：注意与RCNN区别，冻结卷积层权重

问题：
• 继承了R-CNN的剩余问题，需要存储大量特征，复杂的多阶段训练，训练时间仍然长(25.5小时)，Fine-tune(16)+ 特征提取(5.5)+ SVM/Bbox训练(4)，带来了新问题，SPP层之前的所有卷积层参数不能fine tune，误差过不了spp层，因为计算困难。

三．Fast R-CNN

1.改进:

比R-CNN,SPP-Net更快的trainng/test，更高的mAP，实现end-to-end(端对端)单阶段训练，多任务损失函数(Multi-task loss)，所有层的参数都可以fine tune，不需要离线存储特征文件

2.引入新技术

感兴趣区域池化层(RoI pooling layer)替换spp层，多任务损失函数(Multi-task loss)

3.roi pooling,注意：spp和roi的区域都是通过slective search选择的，此时误差可传过roi了。

roi pooling缺点:

由于两次量化带来的误差；

（1）将候选框边界量化为整数点坐标值。

（2）将量化后的边界区域平均分割成 k x k 个单元(bin),对每一个单元的边界进行量化。

针对修改的roi align

遍历每一个候选区域，保持浮点数边界不做量化。
将候选区域分割成k x k个单元，每个单元的边界也不做量化。
在每个单元中计算固定四个坐标位置，用双线性内插的方法计算出这四个位置的值，然后进行最大池化操作。

对小目标检测有很大改善

https://www.cnblogs.com/zf-blog/p/9934086.html

4.重叠区域误差传播做法

5.修正框

6.损失函数

7.奇异值分解，加速全连接

8.性能比较

四，Faster R-CNN

1.网络结构

如上图,一副P*Q的图像，先缩放到M*N大小,然后进入backbone提取特征，对于RPN,先用3*3卷积，在两个1*1卷积分别生成positive anchors和对应bounding box regression偏移量，然后proposal层负责综合positive anchors和对应bounding box regression偏移量获取proposals．而roi pooling则利用proposals提取出相应的feature map进入后续的全连接分类．

2.改进

RPN理解

https://blog.csdn.net/bingochenjx/article/details/78422290

rpn代替selective search

3.RPN，conv5经3x3卷积核，1x1卷积核得到的特征去做回归，另一个1x1卷积核得到的特征去做分类。

4.anchor选择方法，一般k=9

首先我们需要知道 anchor 的本质是什么，本质是 SPP(spatial pyramid pooling) 思想的逆向。而SPP本身是做什么的呢，就是将不同尺寸的输入 resize 成为相同尺寸的输出。所以SPP的逆向就是，将相同尺寸的输出，倒推得到不同尺寸的输入。接下来是 anchor 的窗口尺寸，这个不难理解，三个面积尺寸（128^2，256^2，512^2），然后在每个面积尺寸下，取三种不同的长宽比例（1:1,1:2,2:1）.这样一来，我们得到了一共9种面积尺寸各异的 anchor 。示意图如下
archor
至于这个 anchor 到底是怎么用的，这个是理解整个问题的关键。
下面是整个 Faster RCNN 结构的示意图：
这里写图片描述

利用anchor是从第二列这个位置开始进行处理，这个时候，原始图片已经经过一系列卷积层和池化层以及relu，得到了这里的 feature：51x39x256（256是层数）

在这个特征参数的基础上，通过一个3x3的滑动窗口，在这个51x39的区域上进行滑动，stride=1，padding=2，这样一来，滑动得到的就是51x39个3x3的窗口。对于每个3x3的窗口，作者就计算这个滑动窗口的中心点所对应的原始图片的中心点。

然后作者假定，这个3x3窗口，是从原始图片上通过SPP池化得到的，而这个池化的区域的面积以及比例，就是一个个的anchor。换句话说，对于每个3x3窗口，作者假定它来自9种不同原始区域的池化，但是这些池化在原始图片中的中心点，都完全一样。这个中心点，就是刚才提到的，3x3窗口中心点所对应的原始图片中的中心点。

如此一来，在每个窗口位置，我们都可以根据9个不同长宽比例、不同面积的anchor，逆向推导出它所对应的原始图片中的一个区域，这个区域的尺寸以及坐标，都是已知的。而这个区域，就是我们想要的 proposal。所以我们通过滑动窗口和anchor，成功得到了 51x39x9 个原始图片的 proposal。

接下来，每个 proposal 我们只输出6个参数：每个 proposal 和 ground truth 进行比较，把与ground truth 中重叠最大的 bounding box 的iou当成是这个proposal的iou, iou>0.7, 认为这个proposal是positive；iou<0.3, 认为这proposal是negative，我们希望positive的proposal包含前景的概率高一些，negative包含背景的概率高一些；iou位于这之间的不做处理。
然后对每个proposal进行分类和bounding box regression：得到的前景概率和背景概率(2个参数)（对应图上的 cls_score）；由于每个 proposal 和 ground truth 位置及尺寸上的差异，从 proposal 通过平移放缩得到 ground truth 需要的4个平移放缩参数（对应图上的 bbox_pred）。
所以根据我们刚才的计算，我们一共得到了多少个anchor box呢？ 51 x 39 x 9 = 17900
约等于 20 k

4,训练过程，先训练rpn做好anchor,在做fast rcnn，注意共享卷积层以后，要冻结卷积层

5,性能比较

6,网络总体比较

fast rcnn多任务损失函数

7.带FPN的RPN

对于FPN的话，也就是需要将每一层feature map逐个输入到RPN网络,同时每个feature map负责不同大小的目标.

五.R-FCN

1,全连接会丧失空间信息

2,红色框是R-FCN的特有之处，所有通道数等于分类数+背景

3,每类对应每层通道

4,feature map 可视化

5,损失函数

六.cascade rcnn

faster rcnn存在问题:

train时:RPN阶段选择2000左右proposals，在选择IOU大于一定阈值，比如0.5的，一般会选择128个，满足1:3比例，在进入fast rcnn经过roi pooling 在进行分类与回归；

inference:RPN阶段选择300左右proposals，直接roi pooling进行分类与回归，那么这里就没有iou的选择。这里就能看出train和inference时，回归的框质量明显不一样，也就是mismatch问题。通常阈值取0.5时，mismatch问题还不会很严重

从实验看出来推理时只有RPN选择的iou和训练时候的iou接近是，性能才最好，否则就是mismatch问题.也就看出来了单一阈值训练出的检测器效果非常有限，单一阈值不能对所有的Proposals都有很好的优化作用.

上图就是cascade rcnn框架，RPN提出的proposals大部分质量不高，导致没办法直接使用高阈值的detector，Cascade R-CNN使用cascade回归作为一种重采样的机制，逐stage提高proposal的IoU值，从而使得前一个stage重新采样过的proposals能够适应下一个有更高阈值的stage。对于(b)detector会改变样本的分布，这时候再使用同一个共享的H对检测肯定是有影响的；对于(c)c3高质量检测头容易过拟合，但是还要去预测低质量框，检测效果更差。