目标检测系列——R-CNN_pwsvm

R-CNN

R-CNN是最初深度神经网络为基础的物体检测的模型 之一，在VOC2007数据集上平均精度达到66%，后续的SPPNet、Fast R-CNN、Faster R-CNN等模型均是按照这个思路。
模型框架如下：

1、R-CNN结构

简要的讲一下算法流程：

• 1、首先从图片中找到可能存在目标的候选区域，大约2000个,统一大小
  • 通过选择性搜索（SS）算法进行筛选
  • 大小统一：crop+wrap
• 2、进行CNN提取特征，得到2000个特征向量
  • 使用AlexNet模型，输入尺寸为227 * 227
  • 提取出的特征保存在磁盘中
• 3、20个SVM分类器进行分类，得到2000 * 20 的得分矩阵
  • 20：代表当前数据集一共需要检测20个类别
  • 得到[2000, 20]的得分矩阵
• 4、进行NMS，提取候选框
• 5、修正bbox， 对bbox做回归微调
  • 通过线性回归，特征值是候选区域坐标，目标的对应GT的坐标
  • 建立回归方程学习参数

1.1 Region Proposals

1.1.1 选择性搜索算法(Selective Search, SS)

使用SS算法 来寻找候选框，首先将每个像素作为一组。然后，计算每一组的纹理，并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域，我们首先对较小的组进行分组。我们继续合并区域，直到所有区域都结合在一起。
使用SS算法在一张图片提取大约2000个候选区域，但是，这些 候选区域的长宽是不固定的。

1.1.1 Crop + Warp

由于传统的CNN的输入需要固定大小，所以使用Crop和Wrap来讲候选区域的尺寸统一成固定大小

• Crop：截取原图片的一个固定大小的patch
• warp： 将原图片的ROI缩放到一个固定大小的patch

1.2 CNN提取特征

将这2000个统一大小的候选区域，送入预训练的CNN网络中提取特征，并将这些特征保存到磁盘中(这些特征才是真正的要训练的数据)

1.3 特征向量训练SVM分类器

假设一张图片的2000个侯选区域，那么提取出来的就是2000 x 4096这样的特征向量（R-CNN当中默认CNN层输出4096特征向量）。那么最后需要对这些特征进行分类，R-CNN选用SVM进行二分类。假设检测20个类别，那么会提供20个不同类别的SVM分类器，每个分类器都会对2000个候选区域的特征向量分别判断一次，这样得出[2000, 20]的得分矩阵，如下图所示

• 每个SVM分类器：判断2000个候选区域是属于某类别还是背景

1.4 非极大值抑制(NMS)

• 目的：对候选区域进行筛选，得到最终的候选框
• 算法流程：
  • 对于所有的2000个候选区域得分进行概率筛选
  • 然后对剩余的候选框，每个类别进行IOU>=0.5筛选
    举例：
    

假设有滑动窗口A、B、C、D、E共5个候选框：

• 首先，找到这5个候选框中得分最高的，为C，再将其余候选框与C做IOU计算，若>阈值(0.5),则删去，B和D满足该条件，故删去B和D，筛选出了候选框C
• 循环第二次筛选，剩下了A和E两个候选框，其中A得分最高，E与A做IOU计算得到0.7，大于阈值0.5，删去E，筛选出了候选框A
• 最终筛选出了A和C两个候选框

NMS代码

import numpy as np
import matplotlib.pyplot as plt


def plot_bbox(dets, c='k'):
    x1 = dets[:,0]
    y1 = dets[:,1]
    x2 = dets[:,2]
    y2 = dets[:,3]
    
    plt.plot([x1,x2], [y1,y1], c)
    plt.plot([x1,x1], [y1,y2], c)
    plt.plot([x1,x2], [y2,y2], c)
    plt.plot([x2,x2], [y1,y2], c)
    

    
def py_cpu_nms(dets, thresh):
    """
    dets: (m, 5)
    dets[0] = [x1, y1, x2, y2, score]
    thresh: IOU阈值
    """
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    keep = []    # 用来保存筛选出的候选框
    # argsort(): 返回数组值从小到大的索引
    index = scores.argsort()[::-1]    # index为scores中值从大到小的索引
    
    while index.size>0:
        i = index[0]  # 每次循环中剩余bbox得分最大值的索引
        keep.append(i)
        
        # 重叠区域的坐标
        x11 = np.maximum(x1[i], x1[index[1:]])
        y11 = np.maximum(y1[i], y1[index[1:]])
        x22 = np.minimum(x2[i], x2[index[1:]])
        y22 = np.minimum(y2[i], y2[index[1:]])
        
        # 重叠区域的宽高
        w = np.maximum(0, x22-x11+1)
        h = np.maximum(0, y22-y11+1)
        
        # 重叠区域面积
        overlaps = w * h
        ious = overlaps / (areas[i]+areas[index[1:]]-overlaps)
        
        idx = np.where(ious<=thresh)[0]
        index = index[idx+1]
    
    return keep
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

1.5 修正候选区域

对于SS算法得到的候选区域并非是非常准确的，所以需要对其进行修正

• 默认候选框和其对应的GT框是线性关系，因为在最后筛选出来的候选区域和GT已经非常接近了
  修正过程
  候选区域（px,py,pw,ph）经过参数学习得到预测值(px’,py’,pw’,ph’), 预测值和GT(tx,ty,tw,th)计算损失，不断优化得到最终的结果
• 给定anchor$A=(A_x,A_y,A_w,A_h)$和GT=(G_x, G_y, G_w, G_h)
• 找到一种变换F，使得：
  $F(A_x,A_y,A_w,A_h)=(G_x^{\prime },G_y^{\prime },G_w^{\prime },G_h^{\prime })$, 其中$(G_x^{\prime },G_y^{\prime },G_w^{\prime },G_h^{\prime })\approx (G_x,G_y,G_w,G_h)$
  

2、R-CNN训练过程

训练流程：正负样本准备+预训练+微调网络+训练SVM+训练边框回归

2.1 正负样本准备

对于训练集的所有图像，使用SS算法得到候选区域，对于1张图像得到2000个候选区域，但是每个图像不是所有的候选区域都会拿去训练。通常保证正负样本比例为1：3

• 正样本：某个候选区域和当前图像上所有GT中重叠面积最大的那个GT的IOU大于等于0.5，则该候选区域作为这个GT类别的正样本
• 负样本：某个候选区域和当前图像所有GT中重叠面积最大的那个GT的 IOU小于0.5，则该候选区域作为这个GT的负样本

2.2 预训练

拿别人已经训练好的模型拿过来，比如在ImageNet数据集上已经训练好的AlexNet模型

2.3 微调

• 将AlexNet最后的全连接层的输出类别数，改成自己数据集的类别数
• 把第一步得到的正负样本进行尺寸变换，统一大小，送入预训练好的网络中，继续训练网络，得到最终的CNN网络

2.4 SVM分类器

将上一步CNN网络输出的特征向量保存下来，用于训练SVM分类器，每个类别训练一个SVM分类器

2.5 bbox回归训练

• NMS算法筛选出候选框
• 只对筛选出的候选框进行线性回归

3 R-CNN测试过程

• 使用SS算法在原图中提取出2000个候选区域
• 将这2000个候选区域的尺寸统一大小，送入CNN网络中提取特征，保存下来（2000，4096）
• 将提取的特征训练SVM分类器中，一个类别训练一个SVM分类器，20个类别训练20个SVM分类器，最终得到（2000，20）的得分矩阵
• 根据（2000， 20）的得分矩阵，对候选区域用NMS算法筛选出最终的候选框
• 将这最终的候选框进行bbox线性回归

4 R-CNN的缺点

1、训练阶段多：步骤繁琐: 微调网络+训练SVM+训练边框回归器。

2、训练耗时：占用磁盘空间大：5000张图像产生几百G的特征文件。（VOC数据集的检测结果，因为SVM的存在）

3、处理速度慢: 使用GPU, VGG16模型处理一张图像需要47s。

4、图片形状变化：候选区域要经过crop/warp进行固定大小，无法保证图片不变形

参考文献：
[1] 非极大值抑制的几种实现
[2] 一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD