轉(zhuǎn)載自：http://blog.csdn.net/hjimce/article/details/50187029

一、相關(guān)理論

? ?本篇博文主要講解2014年CVPR上的經(jīng)典paper：《Rich feature hierarchies?for?Accurate Object Detection and Segmentation》，這篇文章的算法思想又被稱之為：R-CNN（Regions with Convolutional Neural Network Features），是物體檢測領(lǐng)域曾經(jīng)獲得state-of-art精度的經(jīng)典文獻。

? ?這篇paper的思想，改變了物體檢測的總思路，現(xiàn)在好多文獻關(guān)于深度學習的物體檢測的算法，基本上都是繼承了這個思想，比如：《Spatial Pyramid Pooling in Deep Convolutional?Networks for Visual Recognition》，所以學習經(jīng)典算法，有助于我們以后搞物體檢測的其它paper。

? ? 之前剛開始接觸物體檢測算法的時候，老是分不清deep learning中，物體檢測和圖片分類算法上的區(qū)別，弄得我頭好暈，終于在這篇paper上，看到了解釋。物體檢測和圖片分類的區(qū)別：圖片分類不需要定位，而物體檢測需要定位出物體的位置，也就是相當于把物體的bbox檢測出來，還有一點物體檢測是要把所有圖片中的物體都識別定位出來。

二、基礎(chǔ)知識

1、有監(jiān)督預訓練與無監(jiān)督預訓練

(1)無監(jiān)督預訓練(Unsupervised pre-training)

無監(jiān)督預訓練這個名詞我們比較熟悉，棧式自編碼、DBM采用的都是采用無監(jiān)督預訓練。因為預訓練階段的樣本不需要人工標注數(shù)據(jù)，所以就叫做無監(jiān)督預訓練。

(2)有監(jiān)督預訓練(Supervised pre-training)

所謂的有監(jiān)督預訓練，我們也可以把它稱之為遷移學習。比如你已經(jīng)有一大堆標注好的人臉年齡分類的圖片數(shù)據(jù)，訓練了一個CNN，用于人臉的年齡識別。然后當你遇到新的項目任務是：人臉性別識別，那么這個時候你可以利用已經(jīng)訓練好的年齡識別CNN模型，去掉最后一層，然后其它的網(wǎng)絡(luò)層參數(shù)就直接復制過來，繼續(xù)進行訓練。這就是所謂的遷移學習，說的簡單一點就是把一個任務訓練好的參數(shù)，拿到另外一個任務，作為神經(jīng)網(wǎng)絡(luò)的初始參數(shù)值,這樣相比于你直接采用隨機初始化的方法，精度可以有很大的提高。

圖片分類標注好的訓練數(shù)據(jù)非常多，但是物體檢測的標注數(shù)據(jù)卻很少，如何用少量的標注數(shù)據(jù)，訓練高質(zhì)量的模型，這就是文獻最大的特點，這篇paper采用了遷移學習的思想。文獻就先用了ILSVRC2012這個訓練數(shù)據(jù)庫（這是一個圖片分類訓練數(shù)據(jù)庫），先進行網(wǎng)絡(luò)的圖片分類訓練。這個數(shù)據(jù)庫有大量的標注數(shù)據(jù)，共包含了1000種類別物體，因此預訓練階段cnn模型的輸出是1000個神經(jīng)元，或者我們也直接可以采用Alexnet訓練好的模型參數(shù)。

2、IOU的定義

因為沒有搞過物體檢測不懂IOU這個概念，所以就簡單介紹一下。物體檢測需要定位出物體的bounding box，就像下面的圖片一樣，我們不僅要定位出車輛的bounding box 我們還要識別出bounding box 里面的物體就是車輛。對于bounding box的定位精度，有一個很重要的概念，因為我們算法不可能百分百跟人工標注的數(shù)據(jù)完全匹配，因此就存在一個定位精度評價公式：IOU。

IOU定義了兩個bounding box的重疊度，如下圖所示：

矩形框A、B的一個重合度IOU計算公式為：

IOU=(A∩B)/(A∪B)

就是矩形框A、B的重疊面積占A、B并集的面積比例:

IOU=SI/(SA+SB-SI)

3、非極大值抑制

因為一會兒講RCNN算法，會從一張圖片中找出n多個可能是物體的矩形框，然后為每個矩形框為做類別分類概率：

就像上面的圖片一樣，定位一個車輛，最后算法就找出了一堆的方框，我們需要判別哪些矩形框是沒用的。非極大值抑制：先假設(shè)有6個矩形框，根據(jù)分類器類別分類概率做排序，從小到大分別屬于車輛的概率分別為A、B、C、D、E、F。

(1)從最大概率矩形框F開始，分別判斷A~E與F的重疊度IOU是否大于某個設(shè)定的閾值;

(2)假設(shè)B、D與F的重疊度超過閾值，那么就扔掉B、D；并標記第一個矩形框F，是我們保留下來的。

(3)從剩下的矩形框A、C、E中，選擇概率最大的E，然后判斷E與A、C的重疊度，重疊度大于一定的閾值，那么就扔掉；并標記E是我們保留下來的第二個矩形框。

就這樣一直重復，找到所有被保留下來的矩形框。

4、VOC物體檢測任務

這個就相當于一個競賽，里面包含了20個物體類別：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/examples/index.html? 還有一個背景，總共就相當于21個類別，因此一會設(shè)計fine-tuning CNN的時候，我們softmax分類輸出層為21個神經(jīng)元。

三、算法總體思路?

? ? 開始講解paper前，我們需要先把握總體思路，才容易理解paper的算法。

? ? 圖片分類與物體檢測不同，物體檢測需要定位出物體的位置，這種就相當于回歸問題，求解一個包含物體的方框。而圖片分類其實是邏輯回歸。這種方法對于單物體檢測還不錯，但是對于多物體檢測就……

? ? 因此paper采用的方法是：首先輸入一張圖片，我們先定位出2000個物體候選框，然后采用CNN提取每個候選框中圖片的特征向量，特征向量的維度為4096維，接著采用svm算法對各個候選框中的物體進行分類識別。也就是總個過程分為三個程序：a、找出候選框；b、利用CNN提取特征向量；c、利用SVM進行特征向量分類。具體的流程如下圖片所示：

后面我們將根據(jù)這三個過程，進行每個步驟的詳細講解。

四、候選框搜索階段

1、實現(xiàn)方式

當我們輸入一張圖片時，我們要搜索出所有可能是物體的區(qū)域，這個采用的方法是傳統(tǒng)文獻的算法：《search for object recognition》，通過這個算法我們搜索出2000個候選框。然后從上面的總流程圖中可以看到，搜出的候選框是矩形的，而且是大小各不相同。然而CNN對輸入圖片的大小是有固定的，如果把搜索到的矩形選框不做處理，就扔進CNN中，肯定不行。因此對于每個輸入的候選框都需要縮放到固定的大小。下面我們講解要怎么進行縮放處理，為了簡單起見我們假設(shè)下一階段CNN所需要的輸入圖片大小是個正方形圖片227*227。因為我們經(jīng)過selective search 得到的是矩形框，paper試驗了兩種不同的處理方法：

(1)各向異性縮放

這種方法很簡單，就是不管圖片的長寬比例，管它是否扭曲，進行縮放就是了，全部縮放到CNN輸入的大小227*227，如下圖(D)所示；

(2)各向同性縮放

因為圖片扭曲后，估計會對后續(xù)CNN的訓練精度有影響，于是作者也測試了“各向同性縮放”方案。這個有兩種辦法

A、直接在原始圖片中，把bounding box的邊界進行擴展延伸成正方形，然后再進行裁剪；如果已經(jīng)延伸到了原始圖片的外邊界，那么就用bounding box中的顏色均值填充；如下圖(B)所示;

B、先把bounding box圖片裁剪出來，然后用固定的背景顏色填充成正方形圖片(背景顏色也是采用bounding box的像素顏色均值),如下圖(C)所示;

對于上面的異性、同性縮放，文獻還有個padding處理，上面的示意圖中第1、3行就是結(jié)合了padding=0,第2、4行結(jié)果圖采用padding=16的結(jié)果。經(jīng)過最后的試驗，作者發(fā)現(xiàn)采用各向異性縮放、padding=16的精度最高，具體不再啰嗦。

OK，上面處理完后，可以得到指定大小的圖片，因為我們后面還要繼續(xù)用這2000個候選框圖片，繼續(xù)訓練CNN、SVM。然而人工標注的數(shù)據(jù)一張圖片中就只標注了正確的bounding box，我們搜索出來的2000個矩形框也不可能會出現(xiàn)一個與人工標注完全匹配的候選框。因此我們需要用IOU為2000個bounding box打標簽，以便下一步CNN訓練使用。在CNN階段，如果用selective?search挑選出來的候選框與物體的人工標注矩形框的重疊區(qū)域IoU大于0.5，那么我們就把這個候選框標注成物體類別，否則我們就把它當做背景類別。SVM階段的正負樣本標簽問題，等到了svm講解階段我再具體講解。

五、CNN特征提取階段

1、算法實現(xiàn)

a、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計階段

網(wǎng)絡(luò)架構(gòu)我們有兩個可選方案：第一選擇經(jīng)典的Alexnet；第二選擇VGG16。經(jīng)過測試Alexnet精度為58.5%，VGG16精度為66%。VGG這個模型的特點是選擇比較小的卷積核、選擇較小的跨步，這個網(wǎng)絡(luò)的精度高，不過計算量是Alexnet的7倍。后面為了簡單起見，我們就直接選用Alexnet，并進行講解；Alexnet特征提取部分包含了5個卷積層、2個全連接層，在Alexnet中p5層神經(jīng)元個數(shù)為9216、 f6、f7的神經(jīng)元個數(shù)都是4096，通過這個網(wǎng)絡(luò)訓練完畢后，最后提取特征每個輸入候選框圖片都能得到一個4096維的特征向量。

b、網(wǎng)絡(luò)有監(jiān)督預訓練階段

參數(shù)初始化部分：物體檢測的一個難點在于，物體標簽訓練數(shù)據(jù)少，如果要直接采用隨機初始化CNN參數(shù)的方法，那么目前的訓練數(shù)據(jù)量是遠遠不夠的。這種情況下，最好的是采用某些方法，把參數(shù)初始化了，然后在進行有監(jiān)督的參數(shù)微調(diào)，這邊文獻采用的是有監(jiān)督的預訓練。所以paper在設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)的時候，是直接用Alexnet的網(wǎng)絡(luò)，然后連參數(shù)也是直接采用它的參數(shù)，作為初始的參數(shù)值，然后再fine-tuning訓練。

網(wǎng)絡(luò)優(yōu)化求解：采用隨機梯度下降法，學習速率大小為0.001；

C、fine-tuning階段

我們接著采用selective?search?搜索出來的候選框，然后處理到指定大小圖片，繼續(xù)對上面預訓練的cnn模型進行fine-tuning訓練。假設(shè)要檢測的物體類別有N類，那么我們就需要把上面預訓練階段的CNN模型的最后一層給替換掉，替換成N+1個輸出的神經(jīng)元(加1，表示還有一個背景)，然后這一層直接采用參數(shù)隨機初始化的方法，其它網(wǎng)絡(luò)層的參數(shù)不變；接著就可以開始繼續(xù)SGD訓練了。開始的時候，SGD學習率選擇0.001，在每次訓練的時候，我們batch?size大小選擇128，其中32個事正樣本、96個事負樣本（正負樣本的定義前面已經(jīng)提過，不再解釋）。

2、問題解答

OK，看完上面的CNN過程后，我們會有一些細節(jié)方面的疑問。首先，反正CNN都是用于提取特征，那么我直接用Alexnet做特征提取，省去fine-tuning階段可以嗎？這個是可以的，你可以不需重新訓練CNN，直接采用Alexnet模型，提取出p5、或者f6、f7的特征，作為特征向量，然后進行訓練svm，只不過這樣精度會比較低。那么問題又來了，沒有fine-tuning的時候，要選擇哪一層的特征作為cnn提取到的特征呢？我們有可以選擇p5、f6、f7，這三層的神經(jīng)元個數(shù)分別是9216、4096、4096。從p5到p6這層的參數(shù)個數(shù)是：4096*9216?，從f6到f7的參數(shù)是4096*4096。那么具體是選擇p5、還是f6，又或者是f7呢？

文獻paper給我們證明了一個理論，如果你不進行fine-tuning，也就是你直接把Alexnet模型當做萬金油使用，類似于HOG、SIFT一樣做特征提取，不針對特定的任務。然后把提取的特征用于分類，結(jié)果發(fā)現(xiàn)p5的精度竟然跟f6、f7差不多，而且f6提取到的特征還比f7的精度略高；如果你進行fine-tuning了，那么f7、f6的提取到的特征最會訓練的svm分類器的精度就會飆漲。

據(jù)此我們明白了一個道理，如果不針對特定任務進行fine-tuning，而是把CNN當做特征提取器，卷積層所學到的特征其實就是基礎(chǔ)的共享特征提取層，就類似于SIFT算法一樣，可以用于提取各種圖片的特征，而f6、f7所學習到的特征是用于針對特定任務的特征。打個比方：對于人臉性別識別來說，一個CNN模型前面的卷積層所學習到的特征就類似于學習人臉共性特征，然后全連接層所學習的特征就是針對性別分類的特征了。

還有另外一個疑問：CNN訓練的時候，本來就是對bounding?box的物體進行識別分類訓練，是一個端到端的任務，在訓練的時候最后一層softmax就是分類層，那么為什么作者閑著沒事干要先用CNN做特征提取（提取fc7層數(shù)據(jù)），然后再把提取的特征用于訓練svm分類器？這個是因為svm訓練和cnn訓練過程的正負樣本定義方式各有不同，導致最后采用CNN softmax輸出比采用svm精度還低。

事情是這樣的，cnn在訓練的時候，對訓練數(shù)據(jù)做了比較寬松的標注，比如一個bounding?box可能只包含物體的一部分，那么我也把它標注為正樣本，用于訓練cnn；采用這個方法的主要原因在于因為CNN容易過擬合，所以需要大量的訓練數(shù)據(jù)，所以在CNN訓練階段我們是對Bounding box的位置限制條件限制的比較松(IOU只要大于0.5都被標注為正樣本了)；

然而svm訓練的時候，因為svm適用于少樣本訓練，所以對于訓練樣本數(shù)據(jù)的IOU要求比較嚴格，我們只有當bounding?box把整個物體都包含進去了，我們才把它標注為物體類別，然后訓練svm，具體請看下文。

六、SVM訓練、測試階段

這是一個二分類問題，我么假設(shè)我們要檢測車輛。我們知道只有當bounding?box把整量車都包含在內(nèi)，那才叫正樣本；如果bounding box 沒有包含到車輛，那么我們就可以把它當做負樣本。但問題是當我們的檢測窗口只有部分包好物體，那該怎么定義正負樣本呢？作者測試了IOU閾值各種方案數(shù)值0,0.1,0.2,0.3,0.4,0.5。最后我們通過訓練發(fā)現(xiàn)，如果選擇IOU閾值為0.3效果最好（選擇為0精度下降了4個百分點，選擇0.5精度下降了5個百分點）,即當重疊度小于0.3的時候，我們就把它標注為負樣本。一旦CNN f7層特征被提取出來，那么我們將為每個物體累訓練一個svm分類器。當我們用CNN提取2000個候選框，可以得到2000*4096這樣的特征向量矩陣，然后我們只需要把這樣的一個矩陣與svm權(quán)值矩陣4096*N點乘(N為分類類別數(shù)目，因為我們訓練的N個svm，每個svm包好了4096個W)，就可以得到結(jié)果了。

OK，就講到這邊吧，懶得打字了，打到手酸。

個人總結(jié)：學習這篇文獻最大的意義在于作者把自己的試驗過程都講的很清楚，可以讓我們學到不少的調(diào)參經(jīng)驗，真的是很佩服作者背后的思考。因為文獻很長、細節(jié)非常之多，本人也對物體檢測不感興趣，只是隨便看看文獻、學學算法罷了，所以很多細節(jié)沒有細看，比如7.3 bounding box的回歸過程；最后看這篇文獻好累、十幾頁，細節(jié)一大堆，包含作者各種實驗、思考……

參考文獻：

1、《Rich feature hierarchies?for?Accurate Object Detection and Segmentation》

2、《Spatial Pyramid Pooling in Deep Convolutional?Networks for Visual Recognition》

總結(jié)

以上是生活随笔為你收集整理的基于R-CNN的物体检测-CVPR 2014的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。