目标检测系列——开山之作RCNN原理详解

Posted 2022-06-22 秃头小苏

 

🍊作者简介：秃头小苏，致力于用最通俗的语言描述问题

🍊往期回顾：ubuntu使用指南 ​   阿里云对象存储oss+picgo+typora实现步骤及无法上传图片解决方案

🍊近期目标：拥有10000粉丝
🍊支持小苏：点赞👍🏼、收藏⭐、留言📩

文章目录

• RCNN原理
• • 写在前面
  • 候选区域生成
  • 神经网络提取特征
  • SVM分类器分类
  • 回归器修正候选框位置
  • 小结
  • 参考链接

RCNN原理

写在前面

   RCNN是目标检测领域的开山之作，作者是Ross Girshick ，我们称之为RGB大神🥗🥗🥗 可以在google学术中看看这位大牛都写了哪些文章，看看这引用次数，只能惊呼🐂🍺！！！

   接下来将详细介绍介绍RCNN的原理，先来看看论文中这张经典的图片。这张图片展示了RCNN的实现过程，其主要有四步，下面分别对每步进行讲解。

 
 

候选区域生成

   候选区域生成在RCNN中采用的是selective search 【简称SS算法】，这个算法的原理大致是通过颜色、大小、形状等一些特征对图像进行聚类，算法的结果是在一张图片中生成一系列的候选框，RCNN中让每张图像都生成2000个候选框。这些候选框有着大量的重叠部分，因此我们后面需要将这些重叠的候选框去除，得到相对准确的候选框。【注：这里不对SS算法做详细的讲解，感兴趣的可以自己查阅了解🍍🍍🍍】下图展示了SS算法得到的大致结果，可见一个目标会有多个候选框生成。【注：RCNN中SS算法每幅图像生成的候选框个数为2000🥝🥝🥝】

 
 

神经网络提取特征

   上一步我们由SS算法从一张图片中得到了2000个候选框，接下来需要对这些候选框进行特征提取，即分别将2000个候选框区域喂入ALexNet网络进行训练，提取特征。【注：有关ALexNet的网络结构我前文有介绍，不清楚的点击☞了解详情🌱🌱🌱】为方便大家阅读，我把ALexNet的网络结构也贴出供大家参考，如下图所示：

   需要注意的是，在RCNN中，我们不需要最后的softmax层，只需要经过最后两次全连接层，利用其提取到的特征即可。此外由于全连接层的存在，需要对输出图片的尺寸进行限制，即需要图片分辨率为227*227。论文中所采用的方法为无论候选区域的大小或纵横比如何，先将其周围扩展16个邻近像素，然后将所有像素强制缩放至227*227尺寸。【注：可见此方案会使原图像发生畸变，如人物变矮变胖等】相关缩放方案如下图所示：

图片来源B站同济子豪兄

 
 

SVM分类器分类

   上一步我们已经通过ALexNet网络提取到特征，每一个候选框区域都会生成4096维的特征向量，如下图所示：

图片来源B站霹雳吧啦Wz  

   上图展示的是一个候选框提取到的特征，我们采用SS算法会从一幅图片中生成2000个候选框，将所有候选框输入网络，就会得到2000*4096维的特征矩阵。将2000*4096维的特征矩阵与20个SVM组成的权值矩阵4096*20相乘，会得到2000*20维的概率矩阵，其中每一行代表一个候选框属于各个目标类别的概率。【注意：若采用的是VOC数据集，那么类别是应该有21类，包括一个背景类】

图片来源B站霹雳吧啦Wz

 

   为让大家更容易理解，对于上图的结构①做更详细的解释，如下图所示：

   从上图可以看出，2000*20维矩阵的每一列表示2000个候选框分别对某一类的预测概率，如第一列则表示2000个候选框分别对狗的预测概率。我们对每一列即每一类进行非极大值抑制（NMS）用于剔除重叠候选框，得到该列中得分最高的的建议框。具体NMS过程如下：

图片来源B站霹雳吧啦Wz

 

   关于这一部分开始可能会有点迷惑，为什么要删除IOU大的目标呢？我之前也产生过这个疑问，其实这还是我们对这个流程不是很清楚。首先我们会在某一列中找出得分最高的目标，然后会计算其它目标和这个得分最高目标的IOU【注意不是计算与Ground Truth的IOU】，这个IOU大表示什么含义呢？这个值越大表示这两个候选框重叠的部分越多，则表示这两个候选框很可能表示的是同一个物体，那么删除得分低的候选框就很容易理解了。下图展示了相关过程：

图片来源B站霹雳吧啦Wz

 
 

回归器修正候选框位置

   上一步骤中我们剔除了许多候选框，接下来我们需要对剩余的候选框进一步筛选，即分别用20个回归器对上述20个类别中剩余的候选框进行回归操作，最终得到每个类别修正后的得分最高的bounding box。

   那么我们怎么由候选框得到最后的预测框呢？我们依旧会由ALexNet输出的特征向量来得到回归器的预测结果，其结果为$(d_x(P),d_y(P),d_w(P),d_h(P))$ ，其表示中心点坐标偏移和宽度和候选框高度偏移的缩放因子。其预测的结果$\stackrel{\wedge }{{\mathrm{G}}_{\mathrm{i}}}$的表达式如下所示：

图片来源B站同济子豪兄  

   我们由上式反解出$(d_x(P),d_y(P),d_w(P),d_h(P))$ 的表达式，现用$(t_x,t_y,t_w,t_h)$ 表示，因为标注框参数和候选框参数都是给定的，因此$(t_x,t_y,t_w,t_h)$ 也是可直接计算得到的，为真实值。

图片来源B站同济子豪兄  

   接下来就用$(d_x(P),d_y(P),d_w(P),d_h(P))$值去拟合$(t_x,t_y,t_w,t_h)$值，使损失函数最小，损失函数如下：

 

小结

   RCNN的原理部分就介绍到这里了，希望可以对大家有所帮助。🍀🍀🍀后续会持续更新fast_RCNN和Faster_RCNN的内容以及相关代码讲解，一起加油吧！！！

 

参考链接

RCNN理论合集🍁🍁🍁

RCNN论文精读🍁🍁🍁

 
 
如若文章对你有所帮助，那就🛴🛴🛴

咻咻咻咻~~duang~~点个赞呗