【RCNN系列】RCNN论文总结

目标检测论文总结

【RCNN系列】
RCNN
Fast RCNN

---

---

前言

一些经典论文的总结。

---

一、Pipeline

首先传入Input image，利用Selective Search（比较古老）算法取搜索图片中可能有物体的区域，并保存到本地磁盘。然后把这些得到的proposals（大约2000个）传入CNN也就是卷积网络抽取特征（只抽取特征不进行分类预测），最后再接一个SVM来进行预测分类（20类物体+1类背景）。

二、模型设计

1.warp

获取region proposals时，作者再每个原始的proposal上增加了16个像素。比如，红框是SS（selective search）算的得到的proposal，作者在周围多提取16个像素，也就是最终得到的是黄框。这样可以获取更多的边缘信息，防止某些特征被截断。

获取region proposals后，因为用的是AlexNet有全连接层，需要统一成227*227大小才能输入进CNN。在Reshape时，作者尝试了很多方法。

A列表示proposal，B列表示根据proposal在原图上直接进行缩放，也就是截取原图上227*227大小，C列表示等比缩放，也就是把长缩放到227，宽缩放相同的倍数（如果此时宽没有达到227就用像素平均值进行padding），D表示不等比缩放，也就是长宽各自缩放成227大小。每张图都有两行，第一行表示不进行每个原始的proposal增加16个像素，第二行表示增加16个像素。最终作者采用D不等比缩放，D的效果最好。

2.SVM

作者并没有把21个SVM分类器分开设计，而是写成矩阵运算的形式。
（x1,x2,...,x4096）表示CNN得到的特征向量即全连接层的最后4096维向量。
（w1,w2,...,w4096）表示参数
由于总共有2000个候选区，所以组成一个2000*4096维的矩阵，最后的输出结果是21类，所以乘上一个4096*21维的参数矩阵。最后输出2000*21维的分类结果。

3.阈值设定

通过SS算法得到2000多个proposal，但很多都不是我们想要的物体框，这时就涉及到正负样本的划分。
在CNN中：正样本是与GT（真实标注框）IoU≥0.5 的proposal，其他均为负样本（即分为背景类），且输入CNN的batchsize=128=32（正）+96（负）有32个正样本和96个负样本组成，来平衡正负样本的输入。

原因：
0.5阈值实验效果效果最好
SS算法提取的region大部分都都不包含目标即大部分应该都是负样本而CNN需要大量的数据进行训练，0.5阈值让正样本数扩大了30倍。

在SVM中：正样本是GT，负样本与GT的IoU≤0.3（一个个阈值实验所得）的proposal，作者发现如果阈值设为0.5效果会变差。而IoU大于0.3的会被抛弃，既不是正样本也不是负样本。因为这些样本可能都是比较好区分的，对于SVM来说，往往那些好区分的样本是不会影响SVM参数的取值的，对于SVM来说，远离支持向量的样本是不影响SVM效果的，也就是关键是要区分支持向量。也即是论文中说的难例挖掘。

注：其实作者一开始是没打算微调AlexNet，直接使用ImageNet训练得到的AlexNet。所以是先制定了SVM的正负样本划分阈值。后来引入了微调才需要划分正负样本重新训练，但发现CNN用SVM的划分方法效果太差，所以设定了不同的划分方法。

4.box回归

框回归是作者后来改进的做法，是为了得到更准确的预测目标框。就是把预测的目标框进行一些偏移，更加接近GT。

为什么不直接预测框的坐标而是预测偏移呢？因为这样大小目标可以有相同的损失

三、思考

为什么要额外用SVM？

1.作者实验发现直接用CNN分类精度会降低

2.CNN和SVM的正负样本划分不同。CNN中正样本的定义并不是精确的目标框，会导致误差

3.CNN的负样本是随机采样的，大部分都是容易识别的负样本。这里可以使用SVM进行难例挖掘，对于SVM来说，远离支持向量的样本是不影响SVM效果的，也就是关键是要区分支持向量。

四、缺点

RCNN是RCNN系列的第一个两阶段检测器，肯定是不完善的：

1.分阶段训练。流程太繁琐，每个region proposal都要送进CNN去跑一遍还要训练SVM分类（Fast RCNN改进点）.
2.SS算法太弱而且还要保存到本地磁盘（Faster RCNN改进点）