RCNN系列论文学习：RCNN、FastRCNN、FaterRCNN、MaskRCNN（包含IOU、NMS介绍）

最近在看图像分割方面的东西，发现MaskRCNN里面有好多东西不是很理解，于是就打算简单梳理一下。找了很多博客，还有视频。这里简单记录一下。

RCNN

RCNN的英文是 Region based CNN或者说Region with CNN feature，也就是基于（候选）区域的卷积。RCNN可以说是利用深度学习进行目标检测的里程碑。

1. 候选区域的生成：Selective Search，比如对图像简单分割处理后，对某些可能是物体的区域生成一些候选框。
2. 对每个候选区利用深度卷积网络提取特征，例如：
   
3. 特征送入每一类SVM分类器，判断类别（这里20是20类）
   

IOU和NMS

IOU就是：两个框的相交部分面积/相并部分面积。
**NMS简单说：**就是有两个候选框，预测概率得分都很高，但是两个框的iou超过了我设定的阈值，那么我认为这两个框表示的是同一个对象，我们将那个预测得分低的那一个舍去不要。
4. 回归修正bbox这部分，放在下面的Fast RCNN里面介绍吧！

缺点：

• 慢
• 计算开销、存储开销大。

FastRCNN

注意，FastRCNN与RCNN的不同之处：

• RCNN是分别将候选区域的图像块送入特征提取网络，得到特征矩阵。FastRCNN是先用特征提取网络对整张图像提取特征，然后由候选框到特征图上的投影区域获取到相应特征矩阵。
  
• ROI Pooling
  ROI Pooling层的作用：将所有用于训练的候选框对应特征图通过pool全部采样到7×7大小。这样好处是不需要考虑输入图像大小。
• 分类器也直接换成了全连接层
  
  

边界框回归

简单理解就是，网络学习的目标是学习参数dxdydwdh。（因为我们知道，神经网络有拟合任意函数的能力，更别说这样简单的函数参数的学习了）。使得预测框进行平移缩放，更加接近ground truth。

FaterRCNN

简单讲就是说将候选框的生成通过一个RPN网络来实现，而不是SS算法。其他的几乎和Fast RCNN一样了。

RPN

RPN网络是从区域中提出Proposal的网络。如上图，其结构：conv feature map就是通过backbone提取特征得到的特征图。因为每个特征图上一点其实是与原图有一个偏移量的，或者说是可以对应原图上一个像素点的。这个是通过步长来计算的。比如特征图中的（3,3）点，如果之前的步长和为2，那么对应原图上就是（6,6），这个公式呢其实是原图大小除特征图大小取整。但是实际上等同于从原图到特征图之间的卷积步长和stride_sum。在原图上，以这个对应的像素点为中心再以设定的比例（不同size，不同宽高比例）生成k个緢框（其实这里就不是网络自动生成的了，是通过调用自己写的一个函数）。这样的话，如果特征图大小为60*54，k为9，那么一个特征图在原图上对应的緢框个数就近20000多个。几乎涵盖了所有目标。对于每个緢框，我们要去得到它的前景 /背景分类概率，对应图中的cls layer输出2 k。以及边框回归的四个参数dxdydwdh，对应图中reg layer 4k，也就是前面FastRCNN中提到的那样。这里从conv feature map 到这两个结果，首先是3x3卷积，然后分别经过了带有1×1卷积的支路（当然，对于分类layer中间还有softmax层或者sigmod层）。这么多框，其实有很多是冗余的，这里再经过一些过滤，如NMS，超过图片边界的舍去等等操作，经过边框回归参数的调整等等。最终得到Proposal结果。接下来就是FastRCNN的操作了！

MaskRCNN

maskrcnn其实就是多了一个mask分割的分支，从候选框对应的特征图上接上FCN分割网络结构。以候选框的分类结果作为目标的实例类别。具体在实例分割经典：Mask-RCNN及pytorch代码这里总结了一下。

总结

RCNN系列非常经典，其思想一下子还不容易消化，得多品味。
对了：以上很多内容都是在B站up主霹雳吧啦Wz学习来的！是对这个系列总结非常棒的！！！