人工智能学习07--pytorch10--目标检测：RCNN、Fast RCNN、Faster RCNN

括号里都是弹幕大佬的高赞发言

1 前言

Two Stage检测过程分两步走

前景：需要检测的目标
背景：不感兴趣的

生成候选框：将感兴趣目标框选出来，但是没有进行分类

具体使用哪一种，根据项目需求

自定义数据集

自己写一个dataset，而不是使用pytorch提供的一些方法读取图像文件

R-CNN

即在输入神经网络之前对图像进行resize处理
输入网络后得到对应的特征向量
输出一个展平向量（没有经过全连接层）。每一行对应一个候选区域的特征向量

SVM二分类器







1：通过SS算法，生成候选框
2：卷积神经网络，候选框 --> 一系列特征向量
3：通过SVM进行目标分类
4：通过回归器调整候选框坐标

（通过SS得到候选框，但是有很多重叠
计算候选框对应的特征向量时，每一个候选框都会对重叠部分进行卷积操作，所以有很多冗余 —> 在faster RCNN中优化的部分）

Fast R-CNN

从第二步开始不同：
RCNN将每个候选区域分别输入网络，得到特征向量；
而Fast R-CNN是把整幅图像输入网络得到特征图（特征图就是feature map 卷积提取出来的特征），
然后通过SS算法（ss=selective search，第一步提取候选框的算法）在原图生成一个候选区域，映射到特征图上，得到特征矩阵。
（只要卷一次，卷了再切）
第三步：
每个特征矩阵
预测结果：目标所属的类别、边界框的回归参数。
而R-CNN中，专门训练SVM分类器，对候选区进行分类。又专门训练回归器，对候选区域的边界框进行调整。
而在Fast R_CNN中，讲这些结合在一个网络中。不需要单独训练分类器以及边界框回归器。

左：RCNN：
对每一个候选区域进行缩放，输入到网络之中，生成对应的特征。
会生成大量冗余，一些重叠的区域其实只要计算一次就行，而RCNN在不反复计算。
Fast R-CNN 如何** 生成候选框特征：**
将整张图片输入网络中，生成特征图。
通过候选区域原图与特征图的映射关系，直接在特征图中获取特征矩阵，这样可避免候选区域特征的重复计算。

Fast R-CNN 数据采样：

在训练过程当中，并不是使用SS算法提供的所有的候选区域，随机采样，而且对采样区分正样本、负样本。
正样本：候选框中确实存在所检测的目标的样本。
负样本：……没有要检测的目标。
若全部都是正样本，则网络有很大概率以为候选区域中就是要检测的目标。(类似于overfit 你都不知道错误的是什么样的，自然认为所有的都是对的）

（这里面阈值下界设置为0.1很有意思，其目的是为了获取和真实bounding box交并比至少为0.1的ROI作为负样本，即和真实目标有一定重叠，可以让模型学习较难的负样本。）

将用于训练样本的候选框通过ROI pooling层缩放到统一尺寸

ROI pooling层：（对其中一个channel举例：）

假设上图左边的图是一个候选区域在特征图上对应的特征矩阵。（真正的特征矩阵展示的是看不懂的抽象信息）
将这个特征矩阵划分为7*7=49份。划分之后对每个区域执行最大池化下采样
（这一个区域有很多像素，不要先入为主，以为一个一个区域是一个像素块）

Fast R-CNN网络框架

将整张图片输入网络中，生成特征图。
通过候选区域原图与特征图的映射关系，直接在特征图中获取特征矩阵。
将特征矩阵通过ROI Pooling层统一缩放成指定的尺寸。
进行展平处理。
通过两个全连接层，得到ROI Feature vector。
在此基础上并联两个全连接层：其中一个用于目标概率的预测，另一个用于边界框回归参数的预测。

• 目标概率预测–分类器：

图上这个概率经过softmax处理，所以是满足概率分布的（和为1）。

• 边界框回归器：
  
  所以这里的全连接层节点个数应该为（N+1）*4

Fast RCNN如何利用预测参数得到最后的预测边界框

P：候选框坐标参数。
G：最终预测框坐标参数
d：通过全连接层输出的边界框回归参数

通过公式看出，dx、dy是调整候选边界框中心坐标的回归参数。
橙色框 --> 红色框
绿色框：ground-truth框，（用来计算损失？）
橙色框：通过SS算法得到的候选边界框
（真实标签的位置是自己标定的，但是回归参数是计算出来的）

Fast RCNN损失计算

需要预测候选框的类别，概率，边界框的回归参数，所以涉及两个损失：分类损失、边界框回归损失
k：k个目标种类
p0：候选区域为背景的概率

• 计算分类损失：
  
  pu：分类器预测当前候选区域为类别u的概率
• 计算边界框回归损失：
  
  （两个公式的数学本质是似然函数的负对数，上面的公式适用于只能属于一类，各个分类构成一个完备事件组；下面的公式适用于可以属于多类，各个分类是相互独立的随机事件。模型训练的本质是寻找极大似然估计）
  
  （没听懂，以后再说吧……）
  
  （Lloc(tu,v) 就是四个坐标与真实值差值的加和）
  x：（tui-vi）这个的差值
  v的计算↓
  
  vx：（Gx-Px）/Pw
  vy：（Gy-Py）/Ph
  vw：（Gw-Pw），再对两边取ln
  vh：（Gh-Ph），再对两边取ln
  (
  Vw=log(Gw/Pw)
  )
  右下角链接点进去这样↓：
  
  （这个损失最大的好处就是结合了l1和l2的优点，对x求导，导数是在-1到1变化的，当x>1，导数都是1）
  λ：平衡分类损失与边界框回归损失
  艾弗森括号：计算公式：当u>=1时，这一项等于1，否则等于0
  u：目标真实标签
  u>=1：候选区域确实属于要检测的某一类别（正样本），此时才有边界框回归损失；否则为背景，对应负样本

总损失L（）等于平衡分类损失+边界框回归损失
对总损失进行反向传播，即可训练整个Fast R-CNN网络

Fast R-CNN步骤回顾

（
如何将生成的候选区域投影到特征图上？
投影方法：找到候选框ROI在原始图像上的位置，然后等比例缩放到特征图的相同位置上
）


（每一类的候选框不止一个，在一张图片中每一类别可能有多个，这就是为什么要用NMS）

Faster RCNN

核心：理解RPN部分



圈里的部分跟Fast R-CNN是一样的，在Faster R-CNN中专门使用Region Proposal Network （RPN）来替代SS算法
特征图（feature map）：


在特征图上使用滑动窗口进行滑动。每滑动到一个位置，就生成一个一维向量。
在这个向量的基础上，通过2个全连接层，分别输出目标概率、边界框回归参数。

• 2k：针对每个anchor生成两个概率：背景概率、前景概率 （
  因为背景对应的真实标签坐标，而正负得分只是个值，可以有01标签，所以分类可以2k ）
• 4k：针对每个anchor生成四个边界框回归参数 256：把ZF网络作为Faster
  R-CNN的backbone，所生成的特征图的深度（channel）为256； 如果使用VGG16，则这个地方就是512
  所以这里的一维向量的元素个数是根据backbone特征矩阵深度决定的。
• anchor：对特征图上每一个3*3的滑动窗口，首先计算中心点在原图上所对应的位置。再计算出k个anchor。
  ①在原图上找到特征图上的点对应的位置。
  （原图宽度/特征图的宽度）取整 = 步距
  特征图上x坐标乘步距=原图上对应的x坐标，y同理
  ②以这个点为中心计算出k个anchor box
  
  这里画出了3个anchor
  （弹幕大佬：特征图里的一个像素相当于原图一块的浓缩；
  anchor中心像是以一定的步长滑动的卷积核得到的中心点；
  anchor不是说一般有九个，而是论文中采用六个不同的比例
  ）
  
  anchor中可能包含要检测的目标，也可能不包含。
• （k个anchor生成的）2k scores、4k coordinates如何影响anchor
  2k scores两个两个为一组，每两个对应一个anchor
  回归参数是4k，每四个为一组

图里这个：
假设第一个预测参数第一个anchor对应图里的黄框，
则是背景（[0]）的概率为0.1，是目标（[1]）的概率为0.9（此处只预测是前景还是背景）；
回归参数dx、dy预测这个anchor中心坐标的偏移量。dw、dh对应anchor宽度和高度的偏移量。使用回归参数对anchor进行调整。

以此类推到第二个、第三个、第四个……第k个。
给出不同比例和尺寸的anchor：因为所检测的目标大小不一样，而且每个目标的长宽比也不一样。这里就给出了一系列的anchor来预测目标的位置。

Faster R-CNN中给出的尺度和比例

每个面积对应三种比例。
所以在每个地方都会生成9个anchor。

可以预测比感受野尺寸大的面积区域

• 感受野：
  
  特征图3x3滑动窗口
  计算到原图：171的感受野
  （
  假设最后一层为3x3维度
  ）
  
  （
  anchor经过RPN的回归参数调整后，才生成候选框；
  anchor不是候选框，利用RPN生成的边界框回归参数，将anchor调整到所需的候选框
  ）

Faster RCNN损失计算

pi*与FAst RCNN中的艾弗森括号作用相同。
Nreg特征图上每个小方框都代表了一个anchor的位置，而不是anchor的个数。
λ平衡参数，平衡分类损失、边界框回归损失。

• 分类损失：
  
  第一个anchor：
  
  第二个anchor：
  
  （
  ①写成热编码：
  Pi代表的是预测为真实标签的概率
  0—>(1,0) 所以loss=-log(0.2)；
  ②正样本为（0，1）负样本为（1，0），k个标签拼起来长2k直接用交叉熵即可
  ）
  另外一种损失的计算方法：
  二分类交叉熵损失：对每个anchor只预测一个值，所以就不是2k，而是k了。
  对于第一个anchor：
  
  pytorch中官方文件faster RCNN就是二分类

• 边界框回归损失：
  
  损失函数：smoothL1
  ti：预测的
  ti*：真实的边界框回归函数
  
  
  (
  xa是anchor的中心点水平坐标
  )

Faster RCNN训练

利用损失进行反向传播，训练网络

（1）中 初始化backbone部分的网络参数

（2）中固定RPN网络的权重参数，再去初始化backbone

↑利用RPN的预测结果去训练faster rcnn
（3）中 固定训练faster rcnn得到的权重，把前置网络固定，单独训练RPN

（4）中 保持backbone的权重不变，单独训练faster rcnn最后几层全连接层。

但是自己搭建faster rcnn时可以使用第一行的联合方法去训练。pytorch官方文件中也是使用的这个方法进行训练的。

Faster R-CNN算法流程

1

2

3
在训练、预测过程中，这是一个整体↓

不像Fast RCNN算法那样单独用SS算法生成候选区域。




框架越来越简洁，效果越来越好