【目标检测】RCNN算法

        Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。

---

RCNN算法解决问题：

1.速度

        经典的目标检测算法使用滑动窗法依次判断所有可能的区域。而RCNN算法则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征并进行判断。

2.训练集

        经典的目标检测算法在区域中提取人工设定的特征（Haar，HOG）。RCNN算法则需要训练深度网络进行特征提取。可供使用的有两个数据库：

• ImageNet ILSVC 2012：标定每张图片中物体的类别。一千万图像，1000类。
• PASCAL VOC 2007：标定每张图片中，物体的类别和位置。一万图像，20类。

        RCNN使用识别库进行预训练，而后用检测库调优参数。最后在检测库上评测。

---

算法流程：

1.  从一张图像中生成1k~2K个候选区域
2. 对每个候选区域，使用深度网络提取特征
3. 特征送入每一类的SVM分类器，判别是否属于该类
4. 使用回归器修正候选框位置

---

 产生候选区域：

        使用了Selective Search^[1]方法从一张图像生成约2000-3000个候选区域。基本思路如下：

1. 使用一种过分割手段，将图像分割成小区域
2. 查看现有小区域，合并可能性最高的两个区域。重复直到整张图像合并成一个区域位置
3. 输出所有曾经存在过的区域，所谓候选区域

        候选区域生成和后续步骤相对独立，实际可以使用任意算法进行。

[1] J. Uijlings, K. van de Sande, T. Gevers, and A. Smeulders. Selective search for object recognition. IJCV, 2013. 

A.合并规则：

        优先选择合并一下四种区域：

1. 颜色（颜色直方图）相近的
2. 纹理（梯度直方图）相近的
3. 合并后总面积小的
4. 合并后，总面积在其BBOX中所占比例大的

        第三条，保证合并操作的尺度较为均匀，避免一个大区域陆续“吃掉”其他小区域

例：设有区域a-b-c-d-e-f-g-h。较好的合并方式是：ab-cd-ef-gh -> abcd-efgh -> abcdefgh。
不好的合并方法是：ab-c-d-e-f-g-h ->abcd-e-f-g-h ->abcdef-gh -> abcdefgh。

        第四条，保证合并后形状规则

例：左图适于合并，右图不适于合并。

        上述四条规则只涉及区域的颜色直方图、纹理直方图、面积和位置。合并后的区域特征可以直接由子区域特征计算而来，速度较快。

B.多样化与后处理：

        为尽可能不遗漏候选区域，上述操作在多个颜色空间中同时进行（RGB,HSV,Lab等）。在一个颜色空间中，使用上述四条规则的不同组合进行合并。所有颜色空间与所有规则的全部结果，在去除重复后，都作为候选区域输出。

        作者提供了Selective Search的源码，内含较多.p文件和.mex文件，难以细查具体实现。

---

特征提取

A.预处理:

        使用深度网络提取特征之前，首先把候选区域归一化成同一尺寸227×227。
此处有一些细节可做变化：外扩的尺寸大小，形变时是否保持原比例，对框外区域直接截取还是补灰。会轻微影响性能。

B.预训练:

        网络结构：基本借鉴Hinton 2012年在Image Net上的分类网络^[2]，略作简化^[3]。

        此网络提取的特征为4096维，之后送入一个4096->1000的全连接(fc)层进行分类，学习率0.01。

        训练数据：使用ILVCR 2012的全部数据进行训练，输入一张图片，输出1000维的类别标号。

[2] A. Krizhevsky, I. Sutskever, and G. Hinton. ImageNet classification with deep convolutional neural networks. In NIPS, 2012

[3] 有层都是串行的。relu层为in-place操作，偏左绘制

C.调优训练:

        网络结构：同样使用上述网络，最后一层换成4096->21的全连接网络。学习率0.001，每一个batch包含32个正样本（属于20类）和96个背景。

        训练数据：使用PASCAL VOC 2007的训练集，输入一张图片，输出21维的类别标号，表示20类+背景。考察一个候选框和当前图像上所有标定框重叠面积最大的一个。如果重叠比例大于0.5，则认为此候选框为此标定的类别；否则认为此候选框为背景。

---

类别判断

        分类器：对每一类目标，使用一个线性SVM二类分类器进行判别。输入为深度网络输出的4096维特征，输出是否属于此类。由于负样本很多，使用hard negative mining方法。

        正样本：本类的真值标定框。

        负样本：考察每一个候选框，如果和本类所有标定的重叠都小于0.3，认定为负样本。

---

位置修正

        目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。

        回归器：对每一类目标，使用一个线性脊回归器进行精修。正则$ lambda = 10000 $
        输入为深度网络pool5层的4096维特征，输出为xy方向的缩放和平移。

        训练样本：判定为本类的候选框中，和真值重叠面积大于0.6的候选框。

---

结果

        论文发表的2014年，DPM已经进入瓶颈期，即使使用复杂的特征和结构得到的提升也十分有限。本文将深度学习引入检测领域，一举将PASCAL VOC上的检测率从35.1%提升到53.7%。

        本文的前两个步骤（候选区域提取+特征提取）与待检测类别无关，可以在不同类之间共用。这两步在GPU上约需13秒。
        同时检测多类时，需要倍增的只有后两步骤（判别+精修），都是简单的线性运算，速度很快。这两步对于100K类别只需10秒。