R-CNN, FastR-CNN, FasterR-CNN总结与比较

1. R-CNN

Rich feature hierarchies for accurate object detection and semantic segmentation [CVPR14] pdf

1. 在输入图片上通过selective search方法选择RoI，也就是Region Proposal（候选框），R-CNN中的R就来自于这个词。
2. 对于每个proposal，通过CNN提取特征
3. 对于提取的特征，bbox回归确定边界框位置，SVM用来做分类确定目标的类别。
   

R-CNN问题：

1. 要有专门的训练目标函数：log loss, hinge loss, least squares
2. 训练麻烦而且时间长
3. 推断过程也很慢

对于每个候选区域用一个CNN，后来出现的SPPNet解决了输入尺寸不确定的问题：

SPPNet提出了空间金字塔池化，将输出不同尺寸的feature map通过SPP层变成固定的长度的全连接层输入

2. Fast R-CNN

Fast R-CNN [ICCV15] pdf

• 用一个convnet施加在输入图片上（卷积共享，提升速度）。
• 在这个convnet输出的feature map上找到输入图片上对应的RoI，特征图上的区域就是输入图像上RoI的特征。
• 将这些区域的特征分别通过RoI pooling层（借鉴SSPNet的思想），变成固定长度的全连接层输入
• 分类和回归也放入到网络中去。

Fast R-CNN问题：

图像进入网络之前还需要在CPU上用传统算法ss找RoI，这步操作占据了检测时间的大部分，差不多两秒。

3. Faster R-CNN

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks [NIPS15] pdf

• 用一个convnet施加在原始输入图片上
• 在这个convnet输出的feature map上施加一个Region Proposal Network (RPN)，用来代替之前在原始图像上的传统方法。产生很多个候选框。RPN后接也两个loss，classification loss为二分类，判断这个框是不是物体，用来过滤不要的候选框，bbox regression loss微调给定的边框，使之anchor box可以更接近gt的框。
• 后面的步骤和RCNN一样，classification loss为多分类。

RPN

• 经过VGG或者ZFNet产生的特征图作为RPN的输入。
• 在特征图上执行3x3的滑窗操作，每个滑窗对应的区域映射为低维特征(256-d for ZF and 512-d for VGG, with ReLU following)，后接两个全连接分支：一个分类一个回归。
• 每个3x3滑窗的中心，在原始图像上对应的感受野上有$k$个anchor boxes（论文中是9个：3个尺度和对应的3个长宽比），所以每个滑窗会得到2k个分类结果和4k个回归结果。
• 假如特征图大小有$W\times H$，则会产生$W\times H\times k$个anchors.
  论文输出特征图60x40，大概要2w个框
  RPN具有平移不变性

训练RPN

为了训练RPN，需要对每个anchor构造一个二分类的label，即这个框是不是物体。
标记为正标签：i)跟gt的IOU最大的框为正. ii)跟gt的IOU大于0.7的为正。
标记为负标签：跟gt的IOU小于于0.3的为负。大于0.3小于0.7的对损失函数不做贡献。
损失函数：

$L_{cls}$：log loss,
$L_{reg}$：smooth L1.
$\lambda =10$
回归的损失求的是预测和真实之间一种变换的因子，$t_i$,$t_i^{\ast }$由下面公式给出：

RPN训练细节

SGD
mini-batch为1，因为一张图像就产生很多个框。在一张图像中随机选256个anchor
将特征图上超过边界的框过滤掉，不过在测试过程中，超过边界的框不过滤，需要clip，也就是超出的部分切掉。
通过NMS，设置阈值0.7，将重叠的框再过滤掉。
然后再在这些框中取top128做正样本。

---