（转）基于深度学习的物体检测

RCNN

Rich feature hierarchies for accurate object detection and semantic segmentation 
早期，使用窗口扫描进行物体识别，计算量大。 
RCNN去掉窗口扫描，用聚类方式，对图像进行分割分组，得到多个侯选框的层次组。

• 原始图片通过Selective Search提取候选框，约有2k个
• 侯选框缩放成固定大小
• 经过CNN
• 经两个全连接后，分类

Fast RCNN

Fast R-CNN 
RCNN中有CNN重复计算，Fast RCNN则去掉重复计算，并微调选框位置。

• 整图经过CNN，得到特征图
• 提取域候选框
• 把候选框投影到特征图上，Pooling采样成固定大小
• 经两个全连接后，分类与微调选框位置

Faster RCNN

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 
提取候选框运行在CPU上，耗时2s，效率低下。 
Faster RCNN使用CNN来预测候选框。

• 整图经过CNN，得到特征图
• 经过核为 3×3×2563×3×256 的卷积，每个点上预测k个anchor box是否是物体，并微调anchor box的位置
• 提取出物体框后，采用Fast RCNN同样的方式，进行分类
• 选框与分类共用一个CNN网络

anchor box的设置应比较好的覆盖到不同大小区域，如下图:

一张1000×6001000×600的图片，大概可以得到20k个anchor box(60×40×960×40×9)。

R-FCN

R-FCN: Object Detection via Region-based Fully Convolutional Networks 
RCNN系列(RCNN、Fast RCNN、Faster RCNN)中，网络由两个子CNN构成。在图片分类中，只需一个CNN，效率非常高。所以物体检测是不是也可以只用一个CNN？ 
图片分类需要兼容形变，而物体检测需要利用形变，如何平衡？ 
R-FCN利用在CNN的最后进行位置相关的特征pooling来解决以上两个问题。

经普通CNN后，做有 k2(C+1)k2(C+1) 个 channel 的卷积，生成位置相关的特征(position-sensitive score maps)。 
CC 表示分类数，加 11 表示背景，kk 表示后续要pooling 的大小，所以生成 k2k2 倍的channel，以应对后面的空间pooling。

普通CNN后，还有一个RPN(Region Proposal Network)，生成候选框。 
假设一个候选框大小为 w×hw×h，将它投影在位置相关的特征上，并采用average-pooling的方式生成一个 k×k×k2(C+1)k×k×k2(C+1) 的块(与Fast RCNN一样)，再采用空间相关的pooling(k×kk×k平面上每一个点取channel上对应的部分数据)，生成 k×k×(C+1)k×k×(C+1)的块，最后再做average-pooling生成 C+1C+1 的块，最后做softmax生成分类概率。 
类似的，RPN也可以采用空间pooling的结构，生成一个channel为 4k24k2的特征层。 
空间pooling的具体操作可以参考下面。

训练与SSD相似，正负点取一个常数，如128。除去正点，剩下的所有使用概率最高的负点。

YOLO

You Only Look Once: Unified, Real-Time Object Detection 
Faster RCNN需要对20k个anchor box进行判断是否是物体，然后再进行物体识别，分成了两步。 
YOLO则把物体框的选择与识别进行了结合，一步输出，即变成”You Only Look Once”。

• 把原始图片缩放成448×448448×448大小
• 运行单个CNN
• 计算物体中心是否落入单元格、物体的位置、物体的类别

模型如下:

• 把缩放成统一大小的图片分割成S×SS×S的单元格
• 每个单元格输出B个矩形框(冗余设计)，包含框的位置信息(x, y, w, h)与物体概率P(Object)P(Object)
• 每个单元格再输出C个类别的条件概率P(Class∣Object)P(Class∣Object)
• 最终输出层应有S×S×(B∗5+C)S×S×(B∗5+C)个单元
• x, y 是每个单元格的相对位置
• w, h 是整图的相对大小

分类的概率

在原论文中，S = 7，B = 2，C = 20，所以输出的单元数为7×7×307×7×30。

代价函数:

其中 λcoord=5λcoord=5，λnoobj=0.5λnoobj=0.5。 
一般，ww 与 hh 不是在 [0,1][0,1] 上的均匀分布，偏小，所以开方。

SSD

SSD: Single Shot MultiBox Detector 
YOLO在 7×77×7 的框架下识别物体，遇到大量小物体时，难以处理。 
SSD则在不同层级的feature map下进行识别，能够覆盖更多范围。

假设在 mm 层 feature map 上进行识别，则第 kk 层的基本比例为

比如 smin=0.2smin=0.2，smax=0.95smax=0.95，表示整张图片识别物体所占比最小 0.2，最大 0.95。 
在基本比例上，再取多个长宽比，令 a={1,2,3,1/2,1/3}a={1,2,3,1/2,1/3}，长宽分别为

Match策略上，取ground truth与以上生成的格子重叠率大于0.5的。

SSD vs YOLO

位置采用Smooth L1 Regression，分类采用Softmax。 
代价函数为

xx 表示类别输出，cc 表示目标分类，ll 表示位置输出，gg 表示目标位置, αα是比例常数，可取1。 
训练过程中负点远多于正点，所以只取负点中，概率最大的几个，数量与正点成 3:13:1 。

NMS

以上方法，同一物体可能有多个预测值。 
可用NMS(Non-maximum suppression，非极大值抑制)来去重。

如上图所示，一共有6个识别为人的框，每一个框有一个置信率。 
现在需要消除多余的:

• 按置信率排序: 0.95, 0.9, 0.9, 0.8, 0.7, 0.7
• 取最大0.95的框为一个物体框
• 剩余5个框中，去掉与0.95框重叠率大于0.6(可以另行设置)，则保留0.9, 0.8, 0.7三个框
• 重复上面的步骤，直到没有框了，0.9为一个框
• 选出来的为: 0.95, 0.9

两个矩形的重叠率计算方式如下:

如图，两个矩形的面积分别为A, B

• 取两个矩形左上角坐标的最大值x1_max, y1_max
• 取两个矩形右下角坐标的最小值x2_min, y2_min
• 重叠区域的宽w为max(0, x2_min - x1_max)，高h为max(0, y2_min - y1_max)
• 重叠率为 w×hA+B−w×hw×hA+B−w×h

xywh VS xyxy

系列论文中，位置都用 (x,y,w,h)(x,y,w,h) 来表示，没有用左上角、右下角 (x,y,x,y)(x,y,x,y) 来表示。 
初衷是当 (w,h)(w,h) 正确时，(x,y)(x,y) 一点错，会导致整个框就不准了。 
在初步的实际实验中，(x,y,x,y)(x,y,x,y) 效果要差一些。

背后的逻辑，物体位置用 (x,y,w,h)(x,y,w,h) 来学习比较容易。 
(x,y)(x,y) 只需要位置相关的加权就能计算出来； 
(w,h)(w,h) 就更简单了，直接特征值相加即可。