计算机视觉之目标检测——R-CNN、Fast R-CNN和Faster R-CNN详解
目标检测的任务
目标检测是计算机视觉领域最经典最重要的任务之一，经过十几年的发展，目标检测已经日趋成熟。在2005年，有人将基于方向梯度直方图（HOG）的特征提取和基于支持向量机（SVM）的分类方法结合起来，创建了一种目标检测的方法，在行人识别上获得了很大的成功。后来，由于AlexNet（2012）的出现，学术界开始出现构建大型卷积神经网络的潮流，目标检测任务也在这个时间段蓬勃发展了起来，在速度、检测准确率等方面都得到了很大的进步。
关于目标检测，它的主要任务是在图片中检测出物体。一般我们看到的形式，大多是在一张图片上，用一个矩形框框出图片中的物体，并标注这个物体属于哪个类别。实际上，目标检测任务共有四个不同的方案，如下图所示。
1. 第一种是给定含有单个物体的图片，对于整张图片给出一个分类结果：图片中的物体属于哪种类别。这属于比较简单的工作，在实际应用中，往往是收集只含有一个对象并几乎占满整张图片的图片作为训练集，训练模型，并且把模型用作目标检测的一部分。 2. 第二种和第三种都是在给定图片中，**对于每一个物体都要框出物体所属的区域，并且给出每个框中识别到的物体的类别**。这种在实际应用中最为常用，本文介绍的目标检测就是要实现这样的效果。 3. 第四种是对图片中的对象进行实例边缘分割，要求将图像精确的轮廓描绘出来。在实际应用中，往往只有特别精细的检测才需要完成这种任务，本文不讨论这种情况。
目标检测的方法
接下来介绍依次改进的三种目标检测方法：R-CNN，Fast R-CNN，Faster R-CNN.
R-CNN
对于目标检测问题，首先我们来分析一下简单的实现方案。
以人脸识别为例，假设我们有很多很多类似证件照的人脸图片，每张图片的大小都相同。我们现在需要实现一种算法，使得在一张普通的图片中也能检测出人脸。
我们有了许多的人脸数据，那么就很容易训练出一个检测人脸的模型，去判断一张固定大小的图与人脸的相似度如何，判断它属不属于人脸。然后对于一张一般的图，我们使用一个滑动窗口去遍历图像的每一部分，输入检测模型去判断这个方框内是否存在人脸。然后对于检测出人脸的边框，利用一些算法将它们相近的几个整合成一个边框，从而达到识别出物体（人脸）的效果。
HOG+SVM的行人识别和基于区域的卷积神经网络（R-CNN）用的都是这种思想。这种目标检测的思想主要分为三个步骤：
-
生成候选区域：采用一些方法来给出图片可能含有目标物体的区域。遍历图像是一种生成候选区域的方法，但是显然效率很低，对于生成候选区域有非常多的方法，在R-CNN原论文中采用了选择性搜索（selective search）的方法来生成候选区域，然后将不同大小的候选区域resize成相同的尺寸。
-
特征提取：在HOG+SVM行人特征识别中，使用了HOG描述符来提取特征；而在R-CNN中，作者使用了去掉输出层的AlexNet或VGGnet-16来提取特征。
-
进行分类：HOG行人识别和R-CNN都使用了线性SVM来进行分类。
在训练模型时，首先要在训练集上训练一个完整的AlexNet，然后再去掉最后一层，接上SVM分类器，再用经过AlexNet特征提取后的特征图，训练基于OVR策略的SVM。有关SVM和AlexNet的详细内容，可以查看我之前的博客。[AlexNet](https://blog.csdn.net/qq_43371810/article/details/104077151),[SVM](https://blog.csdn.net/qq_43371810/article/details/103419187)
R-CNN的解决方案实际上效果也很不错，但是也存在着许多缺点：
-
速度慢。对于一张图片而言，需要大量选取候选区域并逐个进行特征提取，速度非常慢，每秒钟只能处理0.07张图片，与“实时”的最终要求差距甚远。
-
空间利用率低：在提取特征时，一张图片可以生成足足2000个候选区域，对于每一个候选区域进行卷积操作后，都要保存它们的特征图，这就会导致存储所需空间的成倍扩大。
于是，从改进这两点的角度出发，Fast-R-CNN出现了。
Fast R-CNN
Fast R-CNN，顾名思义，就是在R-CNN基础上发展起来的检测速度更快的解决方案。由于R-CNN产生的候选区域之间可能有很多重叠的部分，在使用卷积神经网络进行特征提取时，有重叠的候选部分区域的特征图之间也会有很大部分重叠，这就会导致对于一张图片的某一部分进行多次特征提取，浪费时间和空间资源。
从这个角度出发，我们是否可以先对图像进行特征提取，再选出候选区域呢？这显然是可行的。但也存在这一个问题：对于卷积神经网络中的层次来说，我们都必须要保证所有图片到达每个层次的尺寸是一样的，例如AlexNet的输入必须都是（224，224，3），而选择性搜索产生的候选区域可能是大小不一的，经过卷积神经网络提取特征后的映射部分也同样是大小不一的，这样，普通的卷积神经网络就无法再进行下一步的操作了。在R-CNN中，这个问题的解决方案是对于选出的候选区域进行resize，但卷积操作后的特征图已经没有了图像原本的特征，不能进行resize。针对这个问题，Fast R-CNN使用了一种称为感兴趣区域（RoI）池化层的神经网络层次，解决了这个问题。
RoI池化层是将一张任意大小的图像，均匀分成
X
×
Y
X\times Y
X×Y个部分，然后在每个部分中使用最大或平均池化，这样就可以将不同大小的特征图在充分保留其特征的前提下，达到输入特征图尺寸相同的目的。
另外，Fast R-CNN还使用了一种微调候选框的一种方法：边界框回归。我们首先要在图片中精准地标出物体的真实位置，然后用回归的思想，利用提取出的特征图去拟合这个真实位置，达到微调候选框的效果。当然，也不能少了分类模块。因此进行RoI池化后的特征图，先经过几层共用的全连接层进一步提取特征后，一部分送给全连接层+softmax进行分类工作，另一部分送入边界框回归模块执行定位操作。如下图所示。
比起R-CNN，Fast R-CNN有如下优点：
-
训练速度和检测速度更快。使用VGGnet-16的Fast R-CNN比R-CNN的训练速度快9倍，检测时的速度快了7倍。
-
识别精度更高。Fast R-CNN的mAP为66%，而R-CNN只有62%.
Fast R-CNN较之R-CNN在速度和精度方面已经有了很大提升，但生成区域建议的算法需要在CPU上运行，限制了速度的提高。从这个角度出发，将生成区域建议的算法进行改进，就产生了Faster R-CNN.
Faster R-CNN
Faster R-CNN最大的创新点在于引入了区域建议网络（RPN），将生成区域建议的步骤也放入了神经网络中，在端到端学习方式中实现了一种几乎无成本的区域建议算法。Faster R-CNN的网络架构如下图所示：
从图中可以看出，Faster R-CNN其实就是在Fast R-CNN基础上加入了RPN。细分下来，Faster R-CNN可以认为由五个模块组成：
-
深度卷积网络：Faster R-CNN仍然使用卷积神经网络来提取图像特征。图中使用了VGGnet-16来提取特征。训练时，利用预训练的VGGnet-16，将最后一层池化层的输出作为特征图提取出来。
-
区域建议网络（RPN）：深度卷积网络生成特征图后，对于特征图中的每一个点，使用
12
8
2
,
25
6
2
,
51
2
2
128^2,256^2,512^2
1282,2562,5122三种不同尺度和1:2,1:1,2:1三种不同纵横比产生9个不同的边框盒区域，称为“锚”（anchor）。RPN的作用就是对这些锚进行筛选和分类。首先去除一些方框跨出边界的锚，剩下的锚用于训练一个softmax二分类器，这个二分类器只需要判断：锚中的图像是属于前景（含有对象）还是背景，一般认为与真实边框标注重叠最大或者重叠IoU大于0.7的认为是前景。训练完成后RPN就可以给出更加精确的区域建议。
-
RoI池化层：对于生成的区域建议共有9种不同大小，因此也需要经过RoI池化层将它们转化为相同的大小。
-
目标分类模块和边界框回归模块：这两部分的内容与Fast R-CNN基本相同，都使用了边界框回归的方法来微调边界框，提升检测效果。
训练时，利用预训练的VGGnet-16模型初始化网络，随机初始化RPN，利用标注数据训练RPN；接下来使用训练好的区域建议网络训练单独的一个快速R-CNN网络，这两步中的卷积层不共享；再保持共享卷积层固定，微调RPN的特定层；最后再调整后续的全连接层参数。
对于各种目标检测算法的速度，可以详见下图。
