R-CNN、SPP-Net、Fast R-CNN…你都掌握了吗？一文总结目标检测必备经典模型（一）

目标检测作为计算机视觉的基本问题之一，是许多其他计算机视觉任务的基础，如实例分割、图像字幕、对象跟踪等。简单来说，目标检测就是对图片中物体正确分类，同时找到物体的具体位置，具体是指识别图片中有哪些物体以及物体的位置（坐标位置）的技术。在互联网、大数据、人工智能等技术的发展浪潮下，目标检测展现出巨大的应用价值，受到工业界、学术界越来越多的关注。

目标检测的发展大致经历了两个历史时期：“ 传统的目标检测时期 ” ( 2014年以前 ) 和 “ 深度学习的目标检测时期 ” ( 2014年以后 )。本文重点回顾深度学习时代的经典模型。在深度学习时代，目标检测可以分为两类：“ two-stage detection ” 和 “ one-stage detection ”，前者将检测框定为一个 “ 从粗到细 ” 的过程，而后者将其定义为 “ 一步完成 ”。我们在介绍过程中，将分两类进行分析。两阶段模型（two-stage detection）因其对图片的两阶段处理得名，也称为基于区域（Region-based）的方法，R-CNN系列工作就是这一类型的代表。单阶段模型（one-stage detection）没有中间的区域检出过程，直接从图片获得预测结果，也被称为Region-free方法。

本文回顾目标检测中必备的TOP模型，包括one-stage模型和two-stage模型。

一、two-stage模型

1、 R-CNN

R-CNN是以深度神经网络为基础的物体检测模型 ，R-CNN在当时以优异的性能令世人瞩目，更重要的是，后续的SPPNet、Fast R-CNN、Faster R-CNN模型都是照着这个检测思路来工作的。R-CNN是这个系列的开山之作。

R-CNN将检测抽象为两个过程，首先，基于图片提出若干可能包含物体的区域（即图片的局部裁剪，被称为Region Proposal），文中使用的是Selective Search算法。其次，在提出的这些区域上运行当时表现最好的分类网络（文中使用AlexNet），得到每个区域内物体的类别。

如图1，R-CNN模型的具体实现步骤（以AlexNet网络为基准）如下：（1）确定图片中可能存在目标的侯选区域 （region proposal）；（2）将候选区域调整为适应AlexNet网络的输入图像的大小227×227，通过CNN对候选区域提取特征向量，将2000个CNN特征组确定为AlexNet的最终输出，输出的大小为2000×4096；（3）利用2000×4096维特征训练SVM分类器，生成2000×20种类别矩阵；（4）分别对2000×20维矩阵进行非极大值抑制（Non-maximum suppression，NMS）剔除重叠的候选框，得到与目标物体最相关的一些建议框；（5）修正bbox，对bbox做回归微调。

图1. R-CNN目标检测系统概览

当前 SOTA！平台收录 R-CNN 共 2 个模型实现资源。

2、 SPP-Net

SPPNet（spatial pyramid pooling Net，空间金字塔池化）具体是在R-CNN的基础上引入了一个SPP层，其基本思路是：剔除原始图像上的缩放等操作，转而在卷积特征上采用空间金字塔池化层。此外，SPPNET 解决了 R-CNN 检测速度慢的问题。在一张图片中提取出 region proposal 之后，需要把每一个 region proposal 当做一张图片参加后面的操作，针对2000个region proposal，可以将它们看做一张图片的一个部分，我们可以选择对图像进行一次卷积层的特征提取，之后仅仅需要将 region proposal 从原图上的位置直接映射到卷积层的特征图上，这样针对一张图片只需要在它的卷积层上做一次特征提取即可，之后再将每一个 region proposal 的卷积层特征直接输入到全连接层上做后面的操作就可以了。

SPPNet还解决了R-CNN的另外一个问题：每一个 region proposal 的大小尺度都是不一样的，而全连接层的输入必须是同一长度的， 因此不能将 region proposal 直接输入到全连接层上。SPPNet针对输入到 CNN 中的每一张图片，进行卷积流程之后就能够获取卷积的特征，比如在 VGG16 中，最后的卷积层是 conv5_3，就能够得到512张特征图。原图中的一个 region proposal 映射到特征图上的区域，就是图中的 window 区域，只需要把这些大小尺度不同的 window 的特征对应得到维度相同的特征，并把它们输入到全连接层上，之后只需要在卷积层上对图片进行一次特征提取。SPPNET 采用的是空间金字塔的采样方式，把每一个窗口分割为 4×4，2×2，1×1 的块，之后对每一个块利用 max-pooling进行采样，确保每一个窗口通过 SPP 层之后就能输出一个（4×4+2×2+1×1）×512 维度的向量特征，把这个多维度的向量特征当做全连接层的输入来参加之后的流程。

图2. 一个带有空间金字塔池层的网络结构。这里256是conv5层的过滤器编号，conv5是最后一个卷积层

SPPNET 目标检测方法的操作步骤如下：（1） 区域选择：在图片中选取 2000 个候选区域，可采用 selective search 选取；（2） 候选区域缩放：SPPNET统一候选区域的长宽的最短边的长度，即 min(w,h)=s，s 从{480,576,688,864,1200}中进行选择，具体选择的原理是令调整之后的候选区域和 224×224 最相近，则为最优选择；（3） 提取特征：采用 SPPNET 架构来进行特征提取；（4） 分类和回归：与R-CNN 类似，利用特征训练SVM 分类器，同时采用边框回归来进行候选边框的调整。

当前 SOTA！平台收录 SPPNET 共 3 个模型实现资源。

3、  Fast R-CNN

SPPNet的性能已经得到很大的改善，但是由于网络之间不统一训练，造成很大的麻烦，接下来的Fast R-CNN就是为了解决这样的问题。Fast R-CNN提出了一个RoI pooling，然后整合整个模型，对CNN、RoI pooling、分类器、bbox回归几个模块一起训练。

Fast R-CNN采用精简的 SPP 架构：在卷积层的最后一层后面加了一个 ROI pooling layer 结构，它的操作和 SPP 是类似的，SPPNET 采用的是不同形状大小的金字塔映射，来对每一个 proposal 进行投射，而 ROI pooling layer 仅要求对 7*7 的特征图进行下采样操作。比如对VGG16 模型 conv5_3 是有 512 个特征图的，那么全部的 region proposal 的全连接层的输入向量就是 7×7×512 维的特征向量。

如图3，Fast R-CNN 模型的实现步骤如下：（1）首先将整个图片输入到一个基础卷积网络，得到整张图的feature map；（2）将选择性搜索算法的结果region proposal（RoI）映射到feature map中；（3）RoI pooling layer提取一个固定长度的特征向量，每个特征会输入到一系列全连接层，得到一个RoI特征向量（此步骤是对每一个候选区域都会进行同样的操作）。其中一个是传统softmax层进行分类，输出类别有K个类别加上”背景”类，另一个是bounding box 回归。

图3.  Fast R-CNN架构。将一个输入图像和多个感兴趣的区域（RoI）输入到一个全卷积网络。每个ROI汇集成一个固定大小的特征图，然后通过全连接层（FCs）映射成一个特征向量。该网络对每个RoI有两个输出向量：softmax概率和每类bounding box回归偏移。该架构采用多任务损失法进行端到端训练

当前 SOTA！平台收录 Fast R-CNN 共 27 个模型实现资源。

4、 Faster R-CNN

Faster R-CNN 舍弃了之前目标检测使用的 selective search 算法，而直接采用 RPN（Region Proposal Networks）网络来提取候选区域。RPN 将一张大小随意的图片输入到 RPN 结构中，得到的是一系列矩形候选区域，每一个矩形候选区域都对应着一个目标分数和位置信息。RPN 结构如图4：
图4. RPN结构

Faster R-CNN模型实现步骤如下：（1）提取特征：类似 Fast R-CNN，将整幅图像作为输入，采用 CNN 来对整幅图像进行操作，得到图像的特征层；（2）候选区域：利用 k 个不相同的矩形框（Anchor Box）在最后的卷积特征层上进行候选区域的提取，k 通常选取 9；（3）分类与回归：采用 object/non-object 来对每一个 Anchor Box 进行目标二分类，并且采用 k 个回归模型来对候选框的大小和位置进行微调，通常选用 9 个回归模型，这 9 个回归模型对应不同的 Anchor Box，最后对目标进行检测与分类。

图5. Faster R-CNN是一个用于物体检测的单一、统一的网络。RPN模块作为这个统一网络的 "注意力"

当前 SOTA！平台收录 Faster R-CNN 共 16 个模型实现资源。

5、 OHEM

OHEM（online hard example mining）是一种在线难例挖掘算法，用于训练基于区域的ConvNet检测器。该算法是对SGD的简单修改，根据非均匀的非平稳分布对训练样本进行采样，该分布取决于所考虑的每个样本的当前损失。该方法利用特定于检测的问题结构，其中每个SGD mini-batch仅涉及一个或两个图像，但是由数千个候选样本组成。候选样本根据偏向于多种高损失实例的分布进行二次采样。梯度计算（反向传播）仍然高效，因为它仅使用所有候选的一小部分。作者将OHEM应用于标准的Fast R-CNN检测方法，展示了与基线训练算法相比的三个好处：（1）它消除了对基于区域的ConvNets中常用的几种启发式和超参数的需求；（2）它产生了平均精度的一致且显著的提升；（3）随着训练集变得越来越大和越来越困难，它的有效性也会增加。

OHEM的过程如下。对于SGD第t次迭代的输入图像，首先使用Conv网络计算一个Conv特征图。然后，RoI网络使用这个特征映射和所有输入RoI (R)，而不是抽样的mini-batch，来执行正向传递。损失表示当前网络在每个RoI上的表现如何。Hard样本是通过按损耗对输入RoI进行排序来选择的，并以当前网络性能最差的B/N示例为例。大部分的正向计算是通过Conv特征在RoIs之间共享的，所以需要额外的计算来转发所有的RoIs是相对较小的。此外，由于只选择了少量的RoI来更新模型，所以后向传递并不比以前更昂贵。不过，高重叠的共同投资回报率很可能有相关的损失。此外，由于分辨率的差异，这些重叠的RoI可以投影到Conv特征图中的相同区域，从而导致损失的重复计算。为了处理这些冗余和相关区域，作者使用标准非最大抑制(NMS)来执行重复数据删除。给定RoI及其损失列表，NMS通过迭代选择损失最大的RoI，然后删除与所选区域有高度重叠的所有较低的RoI。使用宽松的IoU阈值0.7来抑制只有高度重叠的RoI。

图6. OHEM训练过程，给定一个图像和选择性搜索的RoI，conv网络计算出一个conv特征图。在(a)中，只读RoI网络对特征图和所有RoI（绿色箭头所示）进行前向传递。然后，Hard RoI模块使用这些RoI损失来选择B个样本。在（b）中，这些hard样本被RoI网络用来计算前向和后向传递（红色箭头所示）

如图6所示的架构，OHEM维护了两个RoI网络副本，其中一个是只读的。这意味着只读RoI网络（图6（a））仅为所有RoI的前向传播分配内存，而不是标准的RoI网络为前向和后向传播都分配内存。对于SGD迭代，给定卷积特征映射，只读RoI网络执行前向传播并计算所有输入RoI（R）的损失（图6，绿色箭头）。然后，Hard RoI采样模块选择输入到常规RoI网络的Hard样本（Rhard-sel）（图2（b），红色箭头））。该网络仅计算Rhard-sel的前向和后向通道，累积梯度并将它们传递给conv网络。在实践中，作者使用来自所有N个图像的所有RoI作为R，因此，只读RoI网络的有效批量大小是|R|

当前 SOTA！平台收录 OHEM 共 5 个模型实现资源。