兩階段（2-stage）檢測模型

兩階段模型因其對圖片的兩階段處理得名，也稱為基于區域（Region-based）的方法，我們選取R-CNN系列工作作為這一類型的代表。

R-CNN: R-CNN系列的開山之作

Rich feature hierarchies for accurate object detection and semantic segmentation

論文鏈接： 

https://arxiv.org/abs/1311.2524

本文的兩大貢獻：

1）CNN可用于基于區域的定位和分割物體；

2）監督訓練樣本數緊缺時，在額外的數據上預訓練的模型經過fine-tuning可以取得很好的效果。

第一個貢獻影響了之后幾乎所有2-stage方法，而第二個貢獻中用分類任務（Imagenet）中訓練好的模型作為基網絡，在檢測問題上fine-tuning的做法也在之后的工作中一直沿用。

傳統的計算機視覺方法常用精心設計的手工特征(如SIFT, HOG)描述圖像，而深度學習的方法則倡導習得特征，從圖像分類任務的經驗來看，CNN網絡自動習得的特征取得的效果已經超出了手工設計的特征。本篇在局部區域應用卷積網絡，以發揮卷積網絡學習高質量特征的能力。

R-CNN網絡結構

 

R-CNN將檢測抽象為兩個過程，一是基于圖片提出若干可能包含物體的區域（即圖片的局部裁剪，被稱為Region Proposal），文中使用的是Selective Search算法；二是在提出的這些區域上運行當時表現最好的分類網絡（AlexNet），得到每個區域內物體的類別。

另外，文章中的兩個做法值得注意。

IoU的計算

一是數據的準備。輸入CNN前，我們需要根據Ground Truth對提出的Region Proposal進行標記，這里使用的指標是IoU（Intersection over Union，交并比）。IoU計算了兩個區域之交的面積跟它們之并的比，描述了兩個區域的重合程度。

文章中特別提到，IoU閾值的選擇對結果影響顯著，這里要談兩個threshold，一個用來識別正樣本（如跟ground truth的IoU大于0.5），另一個用來標記負樣本（即背景類，如IoU小于0.1），而介于兩者之間的則為難例（Hard Negatives），若標為正類，則包含了過多的背景信息，反之又包含了要檢測物體的特征，因而這些Proposal便被忽略掉。

另一點是位置坐標的回歸（Bounding-Box Regression），這一過程是Region Proposal向Ground Truth調整，實現時加入了log/exp變換來使損失保持在合理的量級上，可以看做一種標準化（Normalization)操作。

小結

R-CNN的想法直接明了，即將檢測任務轉化為區域上的分類任務，是深度學習方法在檢測任務上的試水。模型本身存在的問題也很多，如需要訓練三個不同的模型（proposal, classification, regression）、重復計算過多導致的性能問題等。盡管如此，這篇論文的很多做法仍然廣泛地影響著檢測任務上的深度模型革命，后續的很多工作也都是針對改進這一工作而展開，此篇可以稱得上"The First Paper"。

Fast R-CNN: 共享卷積運算

Fast R-CNN

論文鏈接：

https://arxiv.org/abs/1504.08083

文章指出R-CNN耗時的原因是CNN是在每一個Proposal上單獨進行的，沒有共享計算，便提出將基礎網絡在圖片整體上運行完畢后，再傳入R-CNN子網絡，共享了大部分計算，故有Fast之名。

Fast R-CNN網絡結構

 

上圖是Fast R-CNN的架構。圖片經過feature extractor得到feature map, 同時在原圖上運行Selective Search算法并將RoI（Region of Interset，實為坐標組，可與Region Proposal混用）映射到到feature map上，再對每個RoI進行RoI Pooling操作便得到等長的feature vector，將這些得到的feature vector進行正負樣本的整理（保持一定的正負樣本比例），分batch傳入并行的R-CNN子網絡，同時進行分類和回歸，并將兩者的損失統一起來。

RoI Pooling 是對輸入R-CNN子網絡的數據進行準備的關鍵操作。我們得到的區域常常有不同的大小，在映射到feature map上之后，會得到不同大小的特征張量。RoI Pooling先將RoI等分成目標個數的網格，再在每個網格上進行max pooling，就得到等長的RoI feature vector。

文章最后的討論也有一定的借鑒意義：

• multi-loss traing相比單獨訓練classification確有提升

• multi-scale相比single-scale精度略有提升，但帶來的時間開銷更大。一定程度上說明CNN結構可以內在地學習尺度不變性

• 在更多的數據(VOC)上訓練后，精度是有進一步提升的

• Softmax分類器比"one vs rest"型的SVM表現略好，引入了類間的競爭

• 更多的Proposal并不一定帶來精度的提升

小結

Fast R-CNN的這一結構正是檢測任務主流2-stage方法所采用的元結構的雛形。

文章將Proposal, Feature Extractor, Object Classification&Localization統一在一個整體的結構中，并通過共享卷積計算提高特征利用效率，是最有貢獻的地方。

Faster R-CNN: 兩階段模型的深度化

Faster R-CNN: Towards Real Time Object Detection with Region Proposal Networks

論文鏈接：

https://arxiv.org/abs/1506.01497

Faster R-CNN是2-stage方法的奠基性工作，提出的RPN網絡取代Selective Search算法使得檢測任務可以由神經網絡端到端地完成。粗略的講，Faster R-CNN = RPN + Fast R-CNN，跟RCNN共享卷積計算的特性使得RPN引入的計算量很小，使得Faster R-CNN可以在單個GPU上以5fps的速度運行，而在精度方面達到SOTA（State of the Art，當前最佳）。

本文的主要貢獻是提出Regional Proposal Networks，替代之前的SS算法。RPN網絡將Proposal這一任務建模為二分類（是否為物體）的問題。

Faster R-CNN網絡結構

 

第一步是在一個滑動窗口上生成不同大小和長寬比例的anchor box（如上圖右邊部分），取定IoU的閾值，按Ground Truth標定這些anchor box的正負。于是，傳入RPN網絡的樣本數據被整理為anchor box（坐標）和每個anchor box是否有物體（二分類標簽）。

RPN網絡將每個樣本映射為一個概率值和四個坐標值，概率值反應這個anchor box有物體的概率，四個坐標值用于回歸定義物體的位置。最后將二分類和坐標回歸的損失統一起來，作為RPN網絡的目標訓練。

由RPN得到Region Proposal在根據概率值篩選后經過類似的標記過程，被傳入R-CNN子網絡，進行多分類和坐標回歸，同樣用多任務損失將二者的損失聯合。

小結

Faster R-CNN的成功之處在于用RPN網絡完成了檢測任務的"深度化"。使用滑動窗口生成anchor box的思想也在后來的工作中越來越多地被采用（YOLO v2等）。這項工作奠定了"RPN+RCNN"的兩階段方法元結構，影響了大部分后續工作。

單階段（1-stage）檢測模型

單階段模型沒有中間的區域檢出過程，直接從圖片獲得預測結果，也被成為Region-free方法。

YOLO

You Only Look Once: Unified, Real-Time Object Detection

論文鏈接：

https://arxiv.org/abs/1506.02640

YOLO是單階段方法的開山之作。它將檢測任務表述成一個統一的、端到端的回歸問題，并且以只處理一次圖片同時得到位置和分類而得名。

YOLO的主要優點：

• 快。

• 全局處理使得背景錯誤相對少，相比基于局部（區域）的方法， 如Fast RCNN。

• 泛化性能好，在藝術作品上做檢測時，YOLO表現比Fast R-CNN好。

YOLO的工作流程如下：

1.準備數據：將圖片縮放，劃分為等分的網格，每個網格按跟Ground Truth的IoU分配到所要預測的樣本。

2.卷積網絡：由GoogLeNet更改而來，每個網格對每個類別預測一個條件概率值，并在網格基礎上生成B個box，每個box預測五個回歸值，四個表征位置，第五個表征這個box含有物體（注意不是某一類物體）的概率和位置的準確程度（由IoU表示）。測試時，分數如下計算：

等式左邊第一項由網格預測，后兩項由每個box預測，以條件概率的方式得到每個box含有不同類別物體的分數。 因而，卷積網絡共輸出的預測值個數為S×S×(B×5+C)，其中S為網格數，B為每個網格生成box個數，C為類別數。

3.后處理：使用NMS（Non-Maximum Suppression，非極大抑制）過濾得到最后的預測框

損失函數的設計

YOLO的損失函數分解，來源：https://zhuanlan.zhihu.com/p/24916786

 

損失函數被分為三部分：坐標誤差、物體誤差、類別誤差。為了平衡類別不均衡和大小物體等帶來的影響，損失函數中添加了權重并將長寬取根號。

小結

YOLO提出了單階段的新思路，相比兩階段方法，其速度優勢明顯，實時的特性令人印象深刻。但YOLO本身也存在一些問題，如劃分網格較為粗糙，每個網格生成的box個數等限制了對小尺度物體和相近物體的檢測。

SSD: Single Shot Multibox Detector

SSD: Single Shot Multibox Detector

論文鏈接：

https://arxiv.org/abs/1512.02325

SSD網絡結構

 

SSD相比YOLO有以下突出的特點：

• 多尺度的feature map：基于VGG的不同卷積段，輸出feature map到回歸器中。這一點試圖提升小物體的檢測精度。

• 更多的anchor box，每個網格點生成不同大小和長寬比例的box，并將類別預測概率基于box預測（YOLO是在網格上），得到的輸出值個數為(C+4)×k×m×n，其中C為類別數，k為box個數，m×n為feature map的大小。

小結

SSD是單階段模型早期的集大成者，達到跟接近兩階段模型精度的同時，擁有比兩階段模型快一個數量級的速度。后續的單階段模型工作大多基于SSD改進展開。

檢測模型基本特點

最后，我們對檢測模型的基本特征做一個簡單的歸納。

兩階段檢測模型Pipeline，來源：https://tryolabs.com/blog/2018/01/18/faster-r-cnn-down-the-rabbit-hole-of-modern-object-detection/

 

檢測模型整體上由基礎網絡（Backbone Network）和檢測頭部（Detection Head）構成。前者作為特征提取器，給出圖像不同大小、不同抽象層次的表示；后者則依據這些表示和監督信息學習類別和位置關聯。檢測頭部負責的類別預測和位置回歸兩個任務常常是并行進行的，構成多任務的損失進行聯合訓練。

檢測模型頭部并行的分支，來源同上

 

相比單階段，兩階段檢測模型通常含有一個串行的頭部結構，即完成前背景分類和回歸后，把中間結果作為RCNN頭部的輸入再進行一次多分類和位置回歸。這種設計帶來了一些優點：

• 對檢測任務的解構，先進行前背景的分類，再進行物體的分類，這種解構使得監督信息在不同階段對網絡參數的學習進行指導

• RPN網絡為RCNN網絡提供良好的先驗，并有機會整理樣本的比例，減輕RCNN網絡的學習負擔

這種設計的缺點也很明顯：中間結果常常帶來空間開銷，而串行的方式也使得推斷速度無法跟單階段相比；級聯的位置回歸則會導致RCNN部分的重復計算（如兩個RoI有重疊）。

另一方面，單階段模型只有一次類別預測和位置回歸，卷積運算的共享程度更高，擁有更快的速度和更小的內存占用。讀者將會在接下來的文章中看到，兩種類型的模型也在互相吸收彼此的優點，這也使得兩者的界限更為模糊。