姓名：王咫毅

學(xué)號：19021211150

【嵌牛導(dǎo)讀】CNN如此風(fēng)靡前方，其衍生算法也是層出不窮，各種衍生算法也可以應(yīng)用于各種應(yīng)用場景镊尺，各類場合悲立。本文則是了解每個(gè)衍生算法的各個(gè)使用場景、原理及方法档冬。

【嵌牛鼻子】RCNN 目標(biāo)檢測

【嵌牛提問】RCNN系列算法有何區(qū)別和聯(lián)系膘茎？

【嵌牛正文】

轉(zhuǎn)載自：http://www.reibang.com/p/51fc039ae7a4

在生活中，經(jīng)常會遇到這樣的一種情況酷誓，上班要出門的時(shí)候辽狈，突然找不到一件東西了，比如鑰匙呛牲、手機(jī)或者手表等。這個(gè)時(shí)候一般在房間翻一遍各個(gè)角落來尋找不見的物品驮配，最后突然一拍大腦娘扩，想到在某一個(gè)地方，在整個(gè)過程中有時(shí)候是很著急的壮锻，并且越著急越找不到琐旁，真是令人沮喪。但是猜绣，如果一個(gè)簡單的計(jì)算機(jī)算法可以在幾毫秒內(nèi)就找到你要找的物品灰殴，你的感受如何？是不是很驚奇掰邢！這就是對象檢測算法（object detection）的力量牺陶。雖然上述舉的生活例子只是一個(gè)很簡單的例子，但對象檢測的應(yīng)用范圍很廣辣之，跨越多個(gè)不同的行業(yè)掰伸，從全天候監(jiān)控到智能城市的實(shí)時(shí)車輛檢qian測等。簡而言之怀估，物體檢測是強(qiáng)大的深度學(xué)習(xí)算法中的一個(gè)分支狮鸭。

在本文中合搅，我們將深入探討可以用于對象檢測的各種算法。首先從屬于RCNN系列算法開始歧蕉，即RCNN灾部、 Fast RCNN和 Faster RCNN。在之后的文章中惯退，將介紹更多高級算法赌髓，如YOLO、SSD等蒸痹。

1.解決對象檢測任務(wù)的簡單方法（使用深度學(xué)習(xí)）

下圖說明了對象檢測算法是如何工作春弥。圖像中的每個(gè)對象，從人到風(fēng)箏都以一定的精度進(jìn)行了定位和識別叠荠。

下面從最簡單的深度學(xué)習(xí)方法開始匿沛，一種廣泛用于檢測圖像中的方法——卷積神經(jīng)網(wǎng)絡(luò)（CNN）。如果讀者對CNN算法有點(diǎn)生疏榛鼎，建議閱讀此文逃呼。

這里僅簡要總結(jié)一下CNN的內(nèi)部運(yùn)作方式：

首先將圖像作為輸入傳遞到網(wǎng)絡(luò)，然后通過各種卷積和池化層處理者娱，最后以對象類別的形式獲得輸出抡笼。

對于每個(gè)輸入圖像皆辽，會得到一個(gè)相應(yīng)的類別作為輸出哼丈。因此可以使用這種技術(shù)來檢測圖像中的各種對象。

1.首先课兄，將圖像作為輸入框沟；

2.然后藏古，將圖像分成不同的區(qū)域；

3.然后忍燥，將每個(gè)區(qū)域視為單獨(dú)的圖像拧晕；

4.將所有這些區(qū)域傳遞給CNN并將它們分類為各種類別；

5.一旦將每個(gè)區(qū)域劃分為相應(yīng)的類后梅垄，就可以組合所有這些區(qū)域來獲取具有檢測到的對象的原始圖像：

使用這種方法會面臨的問題在于厂捞，圖像中的對象可以具有不同的寬高比和空間位置。例如队丝，在某些情況下靡馁，對象可能覆蓋了大部分圖像，而在其他情況下机久，對象可能只覆蓋圖像的一小部分奈嘿，并且對象的形狀也可能不同。

基于此吞加，需要?jiǎng)澐执罅康膮^(qū)域裙犹，這會花費(fèi)大量的計(jì)算時(shí)間尽狠。因此，為了解決這個(gè)問題并減少區(qū)域數(shù)量叶圃，可以使用基于區(qū)域的CNN袄膏，它使用提議方法選擇區(qū)域。

2.基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)

2.1 RCNN的思想

RCNN算法不是在大量區(qū)域上工作掺冠，而是在圖像中提出了一堆方框沉馆，并檢查這些方框中是否包含任何對象。RCNN 使用選擇性搜索從圖像中提取這些框德崭。

下面介紹選擇性搜索以及它如何識別不同的區(qū)域斥黑。基本上四個(gè)區(qū)域形成一個(gè)對象：不同的比例眉厨、顏色锌奴、紋理和形狀。選擇性搜索在圖像中識別這些模式憾股，并基于此提出各種區(qū)域鹿蜀。以下是選擇性搜索如何工作的簡要概述：

首先， 將圖像作為輸入：

然后服球，它生成初始子分段茴恰，以便獲得多個(gè)區(qū)域：

之后，該技術(shù)組合相似區(qū)域以形成更大的區(qū)域（基于顏色相似性斩熊、紋理相似性往枣、尺寸相似性和形狀兼容性）：

最后，這些區(qū)域產(chǎn)生最終的對象位置（感興趣的區(qū)域）粉渠；

下面是RCNN檢測對象所遵循的步驟的簡要總結(jié)：

1.首先采用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)分冈；

2.重新訓(xùn)練該模型模型——根據(jù)需要檢測的類別數(shù)量來訓(xùn)練網(wǎng)絡(luò)的最后一層（遷移學(xué)習(xí)）；

3.第三步是獲取每個(gè)圖像的感興趣區(qū)域渣叛。然后，對這些區(qū)域調(diào)整尺寸盯捌，以便其可以匹配CNN輸入大写狙谩；

4.獲取區(qū)域后饺著，使用SVM算法對對象和背景進(jìn)行分類箫攀。對于每個(gè)類，都訓(xùn)練一個(gè)二分類SVM幼衰；

最后靴跛，訓(xùn)練線性回歸模型，為圖像中每個(gè)識別出的對象生成更嚴(yán)格的邊界框渡嚣；

[對上述步驟進(jìn)行圖解分析]（http://www.robots.ox.ac.uk/~tvg/publications/talks/Fast-rcnn-slides.pdf）：

首先梢睛，將圖像作為輸入：

然后肥印，使用一些提議方法獲得感興趣區(qū)域（ROI）（例如，選擇性搜索）：

之后绝葡，對所有這些區(qū)域調(diào)整尺寸深碱，并將每個(gè)區(qū)域傳遞給卷積神經(jīng)網(wǎng)絡(luò)：

然后，CNN為每個(gè)區(qū)域提取特征藏畅，SVM用于將這些區(qū)域劃分為不同的類別：

最后敷硅，邊界框回歸（Bbox reg）用于預(yù)測每個(gè)已識別區(qū)域的邊界框：

以上就是RCNN檢測物體的全部流程。

2.2 RCNN的問題

從上節(jié)內(nèi)容可以了解到RCNN是如何進(jìn)行對象檢測的愉阎，但這種技術(shù)有其自身的局限性绞蹦。以下原因使得訓(xùn)練RCNN模型既昂貴又緩慢：

基于選擇性搜索算法為每個(gè)圖像提取2,000個(gè)候選區(qū)域；

使用CNN為每個(gè)圖像區(qū)域提取特征榜旦；

RCNN整個(gè)物體檢測過程用到三種模型：

CNN模型用于特征提扔钠摺；

線性svm分類器用于識別對象的的類別章办；

回歸模型用于收緊邊界框锉走；

這些過程相結(jié)合使得RCNN非常慢，對每個(gè)新圖像進(jìn)行預(yù)測需要大約40-50秒藕届，這實(shí)際上使得模型在面對巨大的數(shù)據(jù)集時(shí)變得復(fù)雜且?guī)缀醪豢赡軕?yīng)用挪蹭。

好消息是存在另一種物體檢測技術(shù)，它解決了RCNN中大部分問題休偶。

3.了解Fast RCNN

3.1Fast RCNN的思想

RCNN的提出者Ross Girshick提出了這樣的想法梁厉，即每個(gè)圖像只運(yùn)行一次CNN，然后找到一種在2,000個(gè)區(qū)域內(nèi)共享該計(jì)算的方法踏兜。在Fast RCNN中词顾，將輸入圖像饋送到CNN，CNN生成卷積特征映射碱妆。使用這些特征圖提取候選區(qū)域肉盹。然后，使用RoI池化層將所有建議的區(qū)域重新整形為固定大小疹尾，以便將其饋送到全連接網(wǎng)絡(luò)中上忍。

下面將其分解為簡化概念的步驟：

1.首先將圖像作為輸入；

2.將圖像傳遞給卷積神經(jīng)網(wǎng)絡(luò)纳本，生成感興趣的區(qū)域窍蓝；

3.在所有的感興趣的區(qū)域上應(yīng)用RoI池化層，并調(diào)整區(qū)域的尺寸繁成。然后吓笙，每個(gè)區(qū)域被傳遞到全連接層的網(wǎng)絡(luò)中；

4.softmax層用于全連接網(wǎng)以輸出類別巾腕。與softmax層一起面睛，也并行使用線性回歸層絮蒿，以輸出預(yù)測類的邊界框坐標(biāo)。

因此侮穿，F(xiàn)ast RCNN算法中沒有使用三個(gè)不同的模型歌径，而使用單個(gè)模型從區(qū)域中提取特征，將它們分成不同的類亲茅，并同時(shí)返回所標(biāo)識類的邊界框回铛。

對上述過程進(jìn)行可視化講解：

將圖像作為輸入：

將圖像傳遞給卷積神經(jīng)網(wǎng)絡(luò)t，后者相應(yīng)地返回感興趣的區(qū)域：

然后克锣，在提取的感興趣區(qū)域上應(yīng)用RoI池層茵肃，以確保所有區(qū)域具有相同的大小：

最后袭祟，這些區(qū)域被傳遞到一個(gè)全連接網(wǎng)絡(luò)验残，對其進(jìn)行分類，并同時(shí)使用softmax和線性回歸層返回邊界框：

上述過程說明了Fast RCNN是如何解決RCNN的兩個(gè)主要問題巾乳，即將每個(gè)圖像中的1個(gè)而不是2,000個(gè)區(qū)域傳遞給卷積神經(jīng)網(wǎng)絡(luò)您没，并使用一個(gè)模型來實(shí)現(xiàn)提取特征、分類和生成邊界框胆绊。

3.2Fast RCNN的問題

Fast RCNN也存在一定的問題氨鹏，它仍然使用選擇性搜索作為查找感興趣區(qū)域的提議方法，這是一個(gè)緩慢且耗時(shí)的過程压状，每個(gè)圖像檢測對象大約需要2秒鐘仆抵。

因此，又開發(fā)了另一種物體檢測算法——Faster RCNN种冬。

4.了解Faster RCNN

4.1. Faster RCNN的思想

Faster RCNN是Fast RCNN的修改版本镣丑，二者之間的主要區(qū)別在于，F(xiàn)ast RCNN使用選擇性搜索來生成感興趣區(qū)域娱两，而Faster RCNN使用“區(qū)域提議網(wǎng)絡(luò)”莺匠，即RPN。RPN將圖像特征映射作為輸入十兢，并生成一組提議對象趣竣，每個(gè)對象提議都以對象分?jǐn)?shù)作為輸出。

以下步驟通常采用Faster RCNN方法：

1.將圖像作為輸入并將其傳遞給卷積神經(jīng)網(wǎng)絡(luò)纪挎，后者返回該圖像的特征圖期贫；

2.在這些特征圖上應(yīng)用RPN跟匆，返回提議對象及其分?jǐn)?shù)异袄；

3.在這些提議對象上應(yīng)用RoI池層，以將所有提案降低到相同的大新瓯邸烤蜕；

4.最后封孙，將提議傳遞到全連接層，該層在其頂部具有softmax層和線性回歸層讽营，以對對象的邊界框進(jìn)行分類和輸出虎忌；

這里簡要解釋一下RPN是如何運(yùn)作的：

首先，F(xiàn)aster RCNN從CNN獲取特征圖并將它們傳遞到區(qū)域提議網(wǎng)絡(luò)橱鹏。RPN在這些特征圖上使用滑動(dòng)窗口膜蠢，每個(gè)窗口生成不同形狀和大小的k個(gè)方框（ Anchor boxe）：

方框是固定尺寸的邊界箱，具有不同的形狀和尺寸莉兰。對于每個(gè)方框挑围，RPN預(yù)測兩件事：

預(yù)測錨是對象的概率；

用于邊界框回歸器調(diào)整錨點(diǎn)以更好地適合物體的形狀糖荒；

在有了不同形狀和大小的邊界框后杉辙，將其傳遞到RoI池層。對每個(gè)提案并對其進(jìn)行裁剪捶朵，以便每個(gè)提案都包含一個(gè)對象蜘矢。這就是RoI池層所做的事情，它為每個(gè)方框提取固定大小的特征圖：

然后將這些特征圖傳遞到全連接層综看，該層具有softmax和線性回歸層品腹，最終對對象進(jìn)行分類并預(yù)測已識別對象的邊界框。

4.2Faster RCNN的問題

上述討論過的所有對象檢測算法都使用區(qū)域來識別對象寓搬，且網(wǎng)絡(luò)不會一次查看完整圖像珍昨，而是按順序關(guān)注圖像的某些部分，這樣會帶來兩個(gè)復(fù)雜性的問題：

該算法需要多次通過單個(gè)圖像來提取到所有對象句喷；

由于不是端到端的算法镣典，不同的系統(tǒng)一個(gè)接一個(gè)地工作，整體系統(tǒng)的性能進(jìn)一步取決于先前系統(tǒng)的表現(xiàn)效果唾琼。

作者：阿里云云棲社區(qū)

鏈接：http://www.reibang.com/p/51fc039ae7a4

來源：簡書

著作權(quán)歸作者所有兄春。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請注明出處锡溯。