目標檢測入門系列手冊二：RCNN訓練教程

，學習全套目標檢測演算法&模型

目標檢測需要獲取圖片中所有目標的位置及其類別，對於圖2-1 中的 3 張圖而言，當圖片中只有一個目標時，“regression head”預測 4 個值，當圖片中有 3 個目標時，“regression head”預測 12 個值，那麼當圖片中有多個目標時，“regression head”要預測多少個值呢？

這時根據讀者已經學過的一些知識，可能會嘗試用滑窗的方法來解決，如圖2-2所示。但是，這裡有一個問題，我們需要設計大量的不同尺度和長寬比的“滑窗”使它們透過CNN，然而這個計算量是非常巨大的。有沒有什麼方法能使得我們快速定位到目標的潛在區域，從而減少大量不必要的計算呢？

學者們在這個方向做了很多研究，比較有名的是selective search 方法，具體方法這裡不做詳細說明，感興趣的讀者可以看關於selective search 的論文。大家只要知道這是一種從圖片中選出潛在物體候選框（Regions of Interest，ROI）的方法即可。有了獲取ROI 的方法，接下來就可以透過分類和合並的方法來獲取最終的目標檢測結果。基於這個思路有了下面的R-CNN 方法。

R-CNN

下面介紹R-CNN[1] 的訓練過程，整體訓練流程如圖2-3 所示：

圖2-3　R-CNN 訓練過程[9]

（1）選出潛在目標候選框（ROI）
objectness[10], selective search[11], category-independent object proposals[12]等很多論文都講述了候選框提取的方法，R-CNN 使用selective search 的方法選出2000 個潛在物體候選框。

（2）訓練一個好的特徵提取器
R-CNN 的提出者使用卷積神經網路AlexNet 提取4096 維的特徵向量，實際上使用VGGNet/GoogLeNet/ResNet 等也都可以。細心的讀者會發現，AlexNet等網路要求輸入的圖片尺寸是固定的，而步驟（1）中的ROI 尺寸大小不定，這就需要將每個ROI 調整到指定尺寸，調整的方法有多種，可參見圖2-4，其中（a）是原始ROI 圖片，（b）是包含上下文的尺寸調整，（c）是不包含上下文的尺寸調整，（d）是尺度縮放。

接下來，為了獲得一個好的特徵提取器，一般會在ImageNet 預訓練好的模型基礎上做調整（因為ImageNet 預測的種類較多，特徵學習相對完善），唯一的改動就是將ImageNet 中的1000 個類別的輸出改為（C+1）個輸出，其中C 是真實需要預測的類別個數，1 是背景類。新特徵的訓練方法是使用隨機梯度下降（stochastic gradient descent，即SGD），與前幾章介紹的普通神經網路的訓練方法相同。

提到訓練，就一定要有正樣本和負樣本，這裡先丟擲一個用於衡量兩個矩形交疊情況的指標：IOU（Intersection Over Union）。IOU 其實就是兩個矩形面積的交集除以並集，如圖2-5 所示。一般情況下，當IOU>=0.5 時，可以認為兩個矩形基本相交，所以在這個任務中，假定兩個矩形框中，1 個矩形代表ROI，另一個代表真實的矩形框，那麼當ROI 和真實矩形框的IOU>=0.5 時則認為是正樣本，其餘為負樣本。

至此，R-CNN 的第二步特徵提取器可以開始訓練了，不過在訓練過程中要注意，需要對負樣本進行取樣，因為訓練資料中正樣本太少會導致正負樣本極度不平衡。最終在該步得到的是一個卷積神經網路的特徵提取器，其特徵是一個4096 維特徵向量。

（3）訓練最終的分類器
這裡為每個類別單獨訓練一個SVM 分類器。這裡面有個小技巧，SVM 的訓練也需要選擇正負樣本，R-CNN 的提出者做了一個實驗來選擇最優IOU 閾值，最終僅僅選擇真實值的矩形框作為正樣本。

注意：正負樣本的選擇比較有講究，Fast R-CNN 和Faster R-CNN 是根據IOU 的大小選取正負樣本，2.2.3 節有詳細介紹。

（4）為每個類訓練一個迴歸模型，用來微調ROI 與真實矩形框位置和大小的偏差，如圖2-6 所示。

下面是所有檢測問題都會用到的一塊程式碼：IOU 的計算。

def bboxIOU (bboxA, bboxB):

A_xmin = bboxA[0]
A_ymin = bboxA[1]
A_xmax = bboxA[2]
A_ymax = bboxA[3]
A_width = A_xmax - A_xmin
A_height = A_ymax - A_ymin

B_xmin = bboxB[0]
B_ymin = bboxB[1]
B_xmax = bboxB[2]
B_ymax = bboxB[3]
B_width = B_xmax - B_xmin
B_height = B_ymax - B_ymin

xmin = min(A_xmin, B_xmin)
ymin = min(A_ymin, B_ymin)
xmax = max(A_xmax, B_xmax)
ymax = max(A_ymax, B_ymax)

A_width_and = (A_width + B_width) - (xmax - xmin) # 寬的交集
A_height_and = (A_height + B_height) - (ymax - ymin) # 高的交集

if ( A_width_and <= 0.0001 or A_height_and <= 0.0001):
return 0

area_and = (A_width_and * A_height_and)
area_or = (A_width  A_height) + (B_width B_height)
IOU = area_and / (area_or - area_and)

return IOU

預測階段有如下幾個步驟：
（1）同樣地，使用selective search 方法先選出2000 個ROI。

（2）所有ROI 調整為特徵提取網路所需的輸入大小並進行特徵提取，得到2000個ROI 對應的2000 個4096 維的特徵向量。

（3）將2000 個特徵向量分別輸入到SVM 中，得到每個ROI 預測的類別。

（4）透過迴歸網路微調ROI 的位置。

（5）最終使用非極大值抑制（Non-Maximum Suppression，NMS）方法對同一個類別的ROI 進行合併得到最終檢測結果。NMS 的原理是得到每個矩形框的分數（置信度），如果兩個矩形框的IOU 超過指定閾值，則僅僅保留分數大的那個矩形框。

以上就是R-CNN 的全部過程，我們可以從中看出，R-CNN 存在的一些問題：
● 不論是訓練還是預測，都需要對 selective search 出來的 2000 個 ROI 全部透過CNN 的forward 過程來獲取特徵，這個過程非常慢。

● 卷積神經網的特徵提取器和用來預測分類的 SVM 是分開的，也就是特徵提取的過程不會因SVM 和迴歸的調整而更新。

● R-CNN 有非常複雜的操作流程，而且每一步都是分裂的，如特徵提取器透過softmax 分類獲得，最終分類結果由SVM 獲得，矩形框的位置透過迴歸方式獲得。

文章來源：阿里雲-機器智慧技術