R-CNN系列核心思想简单记录

R-CNN系列核心思想简单记录

1. R-CNN

R-CNN系列的开山之作，思想很重要。

1. 输入一张图像
2. 提取一定数量的候选框
3. 将候选框变形到固定的尺寸
4. 将变形后的候选框送入CNN进行提特征
5. 将特征送入SVM进行分类
6. 将特征送入回归器进行回归BBox

如何提取2000个候选框？

用Selective search算法选取，兼顾各个尺度。下面这个算法图说的很清楚，其中初始化方法另一篇论文有说。

如何变形到固定尺寸？

原论文里有比较了几种方式，采用了不考虑图像原始比率，变形到给定的固定的尺寸的办法。

如何训练？

CNN提特征的网络，先用ImageNet预训练，然后在目标数据集微调，输出21个类别（20物体+1背景）。然后再用训练好的CNN去提特征训练SVM分类器和回归器。

关于CNN和SVM训练样本的问题

CNN把和GT（Ground Truth）IoU >=0.5的数据作为正样本，IoU < 0.5的作为负样本（背景）。而SVM在训练的时候，用IoU < 0.3的数据作为负样本，GT作为正样本，其他的区间内的数据直接忽略不使用。

关于去除重复的候选框

NMS，非极大值抑制，核心思想是，在一个局部极值的邻域内，将某个指标足够大的区域剔除，只保留当前的极值区域。因为极值区域就足够代表当前这个邻域的特征了。

2. Fast R-CNN

改进R-CNN，主要在候选区域提特征，和多任务训练这里。

1. 输入一张图像
2. 提取一定数量的候选框
3. 将候选框区域映射到最后的featureMap上，提取对应的feature（每次尺寸都不一致）。
4. 采用ROI pooling，就是将不同尺寸的feature划分成相同尺寸的网格，然后没有网格内取最大值，所以不同尺寸的feature可以统一变换到相同的尺寸。
5. 将特征向量经过全连接层进行分类、回归。

RoI pooling？

就是类似传统CV的划分区域的思想，虽然size各不相同，但是我都平均划分成一样的区域网格，最后得到的feature vector都是一样的，便于后续网络的训练。

ROI projection？

本质上图像变成featuremap后，featuremap和原始图像的对应关系还是可以找到，所以可以在featuremap上找到和候选框对应的区域，然后选取这块区域进行后续的计算。

Multi-Task？

将分类和回归放在一起进行，可以证明，提高了准确率，可以说相互促进吧。

相比于R-CNN

• 减少了CNN训练时的冗余，原来是一张图分成多个区域，每个区域从头进入CNN训练，现在是图片先进入CNN得到featuremap，然后在featuremap上用候选框选择特征然后进行计算。
• 将分类和回归整合在一起训练，不用分开训练。
• 还有SVD分解的小贡献，提升速度，也不算核心的贡献。

3. Faster R-CNN

继续改进Fast R-CNN，候选框提取依然很慢（Selective Search），Faster R-CNN对候选框选取这里进行优化。主要提出了RPN （Region Proposal Network）网络，用来提取候选框。

1. 输入一张图像
2. 经过CNN提取特征
3. 对于特征，每个位置对应9种不同的Anchor（候选框，尺寸人为提前规定）。
4. 对每个候选框进行分类和回归BBox，最后得出候选框。
5. 有了featuremap和候选框，后面就和Fast R-CNN一样了。

RPN？

核心贡献，将候选框的选择和加入到网络的训练中，认为规定的Anchor基本可以覆盖大多数目标。

相比于Faster R-CNN？

提升了速度和准确度，可以end to end训练。

4. Mask R-CNN

对Faster R-CNN改进，可以进行实例分割任务，而且改动很简单，主要是更换了ROI Pooling->ROI Align，以及增了一个分割的任务。

1. Faster R-CNN 的步骤，提取feature map和候选框，其中ROI Pooling更换成了ROI Align。
2. 后面，除了分类和回归，还额外增加了几层网络，用来输出Mask。

ROI Align？

ROI Pooling在划分网格的时候，不是均匀的划分的，就是可能有的子区域大，有的小，但是最终都被一个数值来表示，例如3x3被pool成一个最大值，而2x2的区域也被pool成一个值，这样可能让feature产生了偏移。ROI Algin采用插值的思想，均匀的划分，然后用插值来得到最后的值，可以缓解ROI Align的问题。