目标检测总结 Object Detection Summary
最近研究CV，看了几篇颇为重要的论文:
RCNN->SPPnet->Fast RCNN->Hyper Net->Faster RCNN->R-FCN->Mask RCNN
看了很多文章，分析得非常透彻，现在就这几篇总结一下,同时给自己顺下思路(观点雷同敬请谅解，如有侵权请联系)
RCNN算法流程
SS+wrap+VGG16+SVM+BBox
步骤：
1）采用SelectiveSearch算法生成ROI(候选区域)，一张图片大约生成2000个ROI，但由于ROI尺寸大小不一，warp(拉伸)到227*227.（全连接层的神经元设定之后是固定的，而每一个都对着一个特征，rg大神在进入CNN前对图片进行warp处理，就是为了卷积之后的特征数，能够和了全连接层的神经元个数相等)
2）把每个 ROI 送入CNN，提取特征。（CNN模型训练有两步组成：1在ImageNet上的预训练，2在检测数据上的微调）
3） 对候选框中提取出的特征，使用SVM分类器判别是否属于一个特定类
4） 对于属于某一特征的ROI，用BBox回归校正原来的ROI，生成预测窗口的坐标(基于前一步的输出结果)
SPPNet 算法流程：
SS+VGG16+SPPNet+SVM+Bbox
改进：
针对生成特征向量的尺寸大小问题，取消wrap
步骤：
1）提取ROI候选区域，和RCNN的第一步没变，还是2000个ROI
2）CNN对整幅图像提取卷积特征，这个输出对应是整幅图的卷积特征
3）结合1）、2）输出结果使用 SPP layer (Spatial Pyramid PoolingLayer)，把每个ROI候选区域对应固定尺寸的特征向量
文中指出如果用4级空间金字塔， (1×1, 2×2, 3×3, 6×6, totally 50 bins)，会产生一个 12,800维 (256×50)向量
2，3步是与RCNN最大的差别
4）固定尺寸的特征向量输入FC层进行分类。
5）对候选框中提取出的特征，使用SVM分类器判别是否属于一个特定类
6）对于属于某一特征的ROI，用BBox回归校正原来的ROI，生成预测窗口的坐标(基于前一步的输出结果)
RCNN和SPP-net的对比
SPP（spatial pyramid pooling）解释:
何凯明提出将最后一层特征图进一步处理，然后拼凑成和神经元个数相同的特征数，这样不用warp图片大小就获得相同数量的特征
如上图所示：
经过卷积网络后，得到最后的特征图feature A，然后我们使用三层的金字塔池化层pooling，分别设置图片切分成多少块，论文中设置的分别是(1,4,16)，然后按照层次对这个特征图feature A进行分别处理（用代码实现就是for(1,2,3层)），也就是在第一层对这个特征图feature A整个特征图进行池化（池化又分为：最大池化，平均池化，随机池化），论文中使用的是最大池化，得到１个特征。
第二层先将这个特征图feature A切分为4个(20,30)的小的特征图，然后使用对应的大小的池化核对其进行池化得到４个特征
第三层先将这个特征图feature A切分为16个(10,15)的小的特征图，然后使用对应大小的池化核对其进行池化得到16个特征
然后，将这１＋４＋１６＝２１个特征输入到全连接层，进行权重计算. 当然了，这个层数是可以随意设定的，以及这个图片划分也是可以随意的，只要效果好同时最后能组合成我们需要的特征个数即可
SPPnet另一个改进点：
何大神觉得，如果对ss提供的2000多个候选区域都逐一进行卷积处理，势必会耗费大量的时间，所以他觉得，能不能我们先对一整张图进行卷积得到特征图，然后再将ss算法提供的2000多个候选区域的位置记录下来，通过比例映射到整张图的feature map上提取出候选区域的特征图B,然后将B送入到金字塔池化层中，进行权重计算.
经过尝试，这种方法是可行的，于是在RCNN基础上，进行了这两个优化得到了这个新的网络sppnet.
值得一提的是，sppnet提出的这种金字塔池化来实现任意图片大小进行CNN处理的这种思路，得到了大家的广泛认可，以后的许多模型，或多或少在这方面都是参考了这种思路，就连rg在后来提出的fast-rcnn上也是受益于这种思想的启发.
Fast RCNN算法流程：
Ss+VGG16+ROI-pooling+Multi-Task(Softmax+Bbox)
改进：
- 相比R-CNN，用整张图提一次特征，再把ROI 映射到feature map上，而SPP只需要计算一次特征，剩下的只需要在conv5层上操作就可以了
- Bbox regression放进神经网络内部，与ROI分类合并成为了一个multi-task模型，实际实验证明，这两个任务能够共享卷积特征，并相互促进
步骤：
1）提取ROI候选区域，和RCNN的第一步没变，还是2000个ROI
2）把 整幅图像 输入CNN中特征提取
3）ROI pooling layer：找到每个ROI在feature map上的映射patch，将此patch作为每个候选框的卷积特征输入到ROI pooling生成固定大小的feature，方便传入后面的FC层（其实是单层的SPP layer，这里是借鉴了SPPNet中的 SPP网络层，比SPP网络层简单，只用一个尺度）
4）继续经过两个FC层，得到特征向量，RoI feature vector。
5）特征向量经由各自的FC层，得到两个输出向量：第一个是分类，使用softmax分类，第二个是bounding box回归
RoI pooling layer 解释：
每一个RoI都由一个四元组（r,c,h,w）表示，其中（r，c）表示左上角位置，而（h，w）则代表高度和宽度。这一层使用最大池化（max pooling）将RoI区域转化成固定大小的 H*W 的特征图（H和W是取决于任何特定RoI层的超参数）。
RoI 最大池化通过将 h×w RoI窗口划分为 h / H × w / W个子窗口网格，子窗口大小固定为 H × W ，然后将每个子窗口中的值max pooling到相应的输出网格单元 。这是SPP pooling层的一个简化版，所以说ROIpooling是一个只有一层的“空间金字塔”（spp）
Hyper-Net：
改进：
hyper feature map把低层信息和高层信息融合为立方体，小物体的检测效果改善
ROI用RPG小型卷积网络生成，把ROI放进了神经网络当中
1、整张图片通过CNN提取特征
2、特取的特征进行融合得到Hyper Feature maps ，通过RPG生成候选区
3、生成的候选区和Hyper Feature maps一起进行目标检测
Hyper Feature Maps：
不同层提出了不同的采样策略。我们在层次较低的卷积层添加了最大池化层。对层次较高的卷积层，我们添加了一个反卷积操作（Deconv）来进行上采样。一个卷积层应用与每一个采样结果。卷积操作不仅提取了语义特征，还将它们压缩到一个统一的空间。最后，用LRN(localresponse normalization)归一化多个feature maps，并整合到一个立方体中，这个立方体就是Hyper Feature。
Faster-R-CNN算法：
VGG16/ZF+RPN+ROIpooling+Multi-Task(Softmax+Bbox)
改进：
使用RPN(Region Proposal Network)代替原来的Selective Search方法产生建议窗口
通过交替训练，使建议窗口RPN和目标检测Fast-RCNN网络共享参数。
步骤：
1、整张图片送入CNN，进行特征提取；（终于扔掉了2000个候选框，大快人心呐，看着就麻烦）
2、在最后一层卷积featuremap上，通过RPN生成ROI，每张图片大约300个建议窗口；（2000变300）
3、通过RoI pooling层使得每个建议窗口生成固定大小的feature map；
4、经过两个全连接层（FC），得到特征向量，RoI feature vector。
5、特征向量经由各自的FC层，得到两个输出向量， 第一个是分类，使用softmax，第二个是每一类的bounding box回归。
RPN（Region Proposal Network）解释：
RPN基于卷积神经网络，核心是Anchor机制，重点是通过anchors就引入了检测中常用到的多尺度方法，输出包含二类softmax和bbox回归的多任务模型
RPN工作流程：
1、在feature map上滑动窗口 ，Anchor是滑动窗口的中心，对于该图像的每一个位置，论文默认考虑9种可能的候选窗口，采3种尺度（128,256,512），3种长宽比（1:1,1:2,2:1)，这些候选窗口称为anchors
2、滑动窗口的位置提供了物体的大体位置信息
3、建一个神经网络用于obj classify + box regress（obj classify确定框里有没有目标，box regress提供了更精确的位置）
Anchor：下图示出51*39个anchor中心（假设得到51*39的feature map），以及9种anchor示例。
anchors size，是根据检测图像设置的。在demo中，会把任意大小的输入feature map reshape成800x600。再回头来看anchors的大小，anchors中长宽1:2中最大为352x704，长宽2:1中最大736x384，基本是cover了800x600的各个尺度和形状
9个anchors是做什么的呢？借用Faster RCNN论文中的原图，如下图，遍历Conv layers计算获得的feature maps，为每一个点都配备这9种anchors作为初始的检测框。这样做获得检测框很不准确，不用担心，后面还有2次bbox regression可以修正检测框位置，而且训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练
解释一下上面这张图的数字。
- 在原文中使用的是ZF model中，其Conv Layers中最后的conv5层num_output=256，对应生成256张特征图，所以相当于feature map每个点都是256-d
- 在conv5之后，做了rpn_conv/3x3卷积且num_output=256，相当于每个点又融合了周围3x3的空间信息，同时256-d不变（如上图中的红框）
- 假设在conv5 feature map中每个点上有k个anchor（默认k=9），而每个anhcor要分foreground和background，所以每个点由256d feature转化为cls=2k scores；而每个anchor都有[x, y, w, h]对应4个偏移量，所以reg=4k coordinates
- 此外，全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练
R-FCN算法：
ResNet-101+RPN+position sensitive score map+ROI pooling+vote+Softmax
改进：
FasterR-CNN的框架上进行改造，把提取特征的VGG16换了ResNet-101
引入position sensitive score map，把FastR-CNN换成了先用卷积做prediction，再进行ROI pooling。由于ROIpooling会丢失位置信息，故在pooling前加入位置信息，即指定不同scoremap是负责检测目标的不同位置。pooling后把不同位置得到的score map进行组合就能复现原来的位置信息
步骤：
1、整张图片送入ResNet，进行特征提取。ps：去掉ResNet-101最后一层FC层，保留前100层，再接一个1*1*1024的conv层（100层输出是2048d，为了降维，引入了一个1*1的卷积层，则输出为1024d）
2、最后一层卷积featuremap，用区域建议网络（RPN）提出了RoIs，然后将其应用于position-sensitive score map上。这里k²(C+1) 个score map，其中，k²代表切分一个目标的相关位置的数量（比如，3²代表一个 3x3 的空间网格），C+1 代表 C 个类外加一个背景。
3、通过RoI pooling层使得每个ROI生成固定大小的score map；
4、k*k个框直接进行vote（每个类单独做）得到每一类的score
5、softmax得到每类的最终得分
\
Position sensitive score map 解释：
k^2*(C+1)的conv层：上一步的ROI输出是W*H*1024，经过k^2*(C+1)的conv层得到channel=k^2*(C+1)，大小为W*H的position sensitive score map。
举个栗子：k=3表示把一个ROI划分成3*3，表示分别预测9个位置（上左，上中，上右，中左，中中，中右，下左，下中，下右）包含（C+1）个物体的score。如下图所示，在3*3的区域内，每一个区域内都预测（C+1）类的得分，比如下图左上角的框预测的是可能是人这个类且是人的左上部位的score（也预测是其他C个类且是该类左上部位的score）。
ROI pooling: 输入是k*k*(C+1)*W' *H'（W'和H'是ROI的宽度和高度）的score map，输出为（C+1）*k*k大小的score map，然后k*k个框直接进行vote（每个类单独做）得到每一类的score，然后进行softmax得到每类的最终得分
FPN：
引：https://blog.csdn.net/u014380165/article/details/72890275