Object Detection: To Be Higher Accuracy and Faster
本系列文章由 @yhl_leo 出品，转载请注明出处。
文章链接： http://blog.csdn.net/yhl_leo/article/details/51597496
在深度学习中有一类研究热点，目标检测，从2012年AlexNet到2016年，尤其是2015年开始，深度学习中的深层的卷积神经网络发展迅猛，其中不但衍生出了例如VGG, GoogleNet等越发区域标准化的深层网络，也相继提出一系列检测加速的策略，例如针对快速提取proposal的方法，像selective search, edge box, BING, RPN等，这些方法的发展和完善，使得基于深度学习的目标检测精度越来越高，而且速度越来越快，我整理了这一发展过程，对其中的部分方法进行讲解，准备有限，有不足或者疑问的地方请大家多多指教，其中一些参考文章和网站不在PPT中，但也对相关作者表示感谢。
我讲解的内容主要分为三部分概括为BBS，基于深度学习目标检测的背景，几个近几年的比较经典的卷积神经网络，以及最后的总结。
这里列举了几个经典的CNN网络，需要指出的是，这里除了AlexNet, GoogleNet, VGG外，其他都是可以进行目标检测的，但是作为经典，因此有必要在这里向它致敬，今天演讲的内容主要是这几个网络。14年之前，深度学习虽然也有不少人关注，但是成果相对较少，最重要的一个原因，我个人觉得就是入门门槛太高，除了一些牛逼的实验室和大神能玩得转外，其他人想搞都非常吃力，但是14年之后就是另一番景象，深度学习如同秋风扫落叶般，侵入了计算机视觉的各个领域，一些普通实验室和个人，也能迅速地开展相关的研究。
原因我觉得主要是两个：第一是显卡性能的提升和成本降低，2012年AleXNet训练的时候，引入了两块GTX 580，每块具有1.5G显存，显存频率2GHz，足足训练了五六天，在2014年市面上能见到的较好的显卡还是NVIDIA GTX 800系列，不管是显存大小还是显存频率都不够给力，而大家都知道深度学习后来被推崇的主要原因，就是其速度快，但是当年并不是这样，想要进行该领域的研究，需要更好的专业级显卡，硬件成本要求太高，这一条就将很多人拒之门外；2015年之后新推出GTX 900系列，TITAN 系列等，在计算能力上提升了很多个level，价钱也可以接受，960现在应该不超过2000块，TITAN X国内大概8000多，这里说的GPU主要指的是NVIDIA旗下的，在GPU加速运算这块AMD棋差一招，现在已经没法跟NVIDAI竞争。
而且NVIDIA现在也向学者免费提供显卡，显卡型号是TITAN X，我4月份的时候，向官方递交了申请书，5月初就收到了对方从新加坡寄来的显卡，还是很给力的，有兴趣的同学可以去尝试一下。
第二个原因就是相关的开发包的完善和成熟，例如2014年开源，影响力巨大的caffe深度学习框架，适宜NVIDIA GPU加速运算的开发包CUDA、CUDNN，以及其他编程开发环境对于深度学习的推进例如Python, Matlab和大家常用的开源库OpenCV，Google在caffe公布后，也耐不住寂寞，在2015年也公布了它的深度学习框架TensorFlow。
就目前来看，caffe框架支持C++,Python和Matlab环境，具有较大的用户群，现在开源的大部分工程都是基于caffe框架的，tensorflow主要支持Python环境，目前基于此进行研究的开源工程很少，这两个框架我都进行了研究，所以专门拿出来讲讲，个人建议如果是想要开始学习，直接学习caffe较好，相关的开源demo和文档更多，在GitHub和Stack overflow两大程序员网站上相关的讨论也较多，学习上手较快，还有其他的一些框架，就不再多讲。
现在进入主题，基于深度学习的目标检测问题，是这两年的热点问题之一，首先让我们来看三个概念，Recognition, Detection 和 Segmentation(略)。
就这三类数据，对常用的一些数据集，进行简单的罗列。
以上是三个常见的较大的数据集。
常见的评估方法，IoU, AP, mAP。
这里解释一下经常见到的评价指标，Top-1 / Top-5 error是什么意思。给定一个测试样本，以及正确的label，对模型预测样本属于各个label的概率值进行降序排列，如果预测所属类别可能性比较靠前的N个中没有正确的label，那就认为预测失败。相当于是对预测的要求降低要求，不求可能性最大的那种结果就是正确的，但是至少可能性较大的几种类别里，要含有正确的结果，下面给出的公式相当于是Top-1 error。
这是经典CNN网络AlexNet的结构，包括5层卷积层+3层全连接层，在文章里为了进行分类，还在最后一层全连接层后加了一层softmax层，在第1,2,5层卷积层后加了LRN层和Max Pooling层。这篇论文对于网络框架的一些实现细节，进行了很多论证工作，也是后来很多网络都以此为蓝本，进行新的拓展。
讲述几点作者的主张：不用simgoid和tanh作为激活函数，而用ReLU作为激活函数，原因是：加速收敛。因为sigmoid和tanh都是饱和(saturating)的。何为饱和？可能是他们的导数越接近目标，对应的导数越小，而ReLu的导数对于大于0的部分恒为1。于是ReLU确实可以在BP的时候能够将梯度很好地传到较前面的网络。
LRN操作可以提高网络的泛化能力，降低分类的错误率。论文里降低了2个百分点的错误率，其中，x,y是像素位置，求和含义是，把该位置上n几个临近的卷积核产生的feature map上的值加起来，N是这一层中所有的卷积核数量，K， alpha, beta是一组参数，取值一般都是固定的。
论文中对于pooling时，是否应该存在overlapping，进行讨论，所谓的overlapping就是指pooling窗口在移动的过程中跟前面的窗口要不要保持一定的重叠度，分析后作者认为保持一定的重叠度，可以一定程度上减弱过拟合问题和降低分类误差。
为了避免过拟合，使用了两种策略，一种是数据拓充（Data Augmentation），也使用了两种方法：第一种是随机Crop，训练的时候，将输入的256x256的图像，随机裁剪成为224x224+水平翻转拓展了2048倍，测试阶段，产生5x2个crop， 即便拓展了这么多，其实避免过拟合的程度也很有限，论文里错误率降低了一个百分点，训练关键还是原始数据要多。第二种是对RGB空间做PCA，即主成分分析，然后对主成分做一个轻微的高斯扰动，进一步降低错误率。
另外一种策略称为Dropout，深层网络经常具有大量的参数，虽然对于非线性问题具有较强的描述和学习能力，但是训练过程中过拟合也是很让人头疼的，有人提出将几个不同的网络的预测结果融合在一起，但是分别训练这样的网络代价很大，Dropout方法就解决了这个问题，在训练的过程中把部隐单元drop掉，如果训练过程中设置一组不同的drop组合，就可以在一次训练过程中得到几个不同的网络的叠加效果。
让我们来看，真正开始利用卷积神经网络进行目标检测的R-CNN，缩写的全称是Regions with CNN features， 我在前面讲述过，CNN并不能直接进行目标检测，只能进行识别或者分类，也就是说，给定一个图片或者图片区域，它只能回答你，里面是否含有某类目标的可能性，那怎么样才能进行目标检测呢？最简单的做法就是，我使用一个滑动窗口，把整幅图像都遍历一遍，找出所有类别评分比较高的区域，然后进行标记，但是这种做法，想一想就会发现很大的不足，首先自然场景里图片中目标的大小时不确定的，使用固定大小的滑动窗效果不行，但是搞出更复杂多变的滑动窗，计算量上一下就吃不消，如果能有一种有效的策略，提供较少量的可能存在待检测目标的区域，上面提到的问题就能很好的解决。利用CNN训练的特征对提取的目标候选区进行分类，这就是R-CNN的核心思想。
我们可以把R-CNN的结构分成独立的三块：定位使用的selective search，提取出2k个候选区，特征提取使用的是深层卷积神经网络CNN，文中是去掉最后一层softmax层的AlexNet，分类方法选择了L-SVM，对于每个类别使用NMS非最大抑制方法，舍弃掉部分region，得到检测结果。R-CNN的成功之处在于：a.使用CNN获取更高级别的目标特征取代了人工设计特征提取方法；b.使用类别独立的region proposal提取方法（Selective Search）减少了检测搜索的空间。它指出了一条使用深度学习进行目标检测的可行方案，其后的很多方法，基本都是参照这个流程，在各个子模块进行优化和改进。当然不足也很明显，提取proposal方法较慢（CPU, 2s/img）;在检测时，对于提取的proposal全部warp到固定的size然后输入到CNN网络中并不是最佳方法（后来在Fast R-CNN中解决了这一问题）。
关于proposal提取方法，在相当长的一段时间里都是研究的热点，这里引用了15年的一篇论文，它对当时比较流行的一些方法（或者说是可以找到源码的方法）进行了分析和评价，它把这些方法大致分为两类，一种是Grouping，将图像过分割，然后再聚合在一起的，比如R-CNN使用的selective search，另一种是Window scoring 生成大量的窗口并打分，然后过滤掉低分的窗口，还有介于两者之间的例如multibox，这里没有列举；还有一些其他很好的方法，比如Faster R-CNN使用的RPN、HyperNet、YOLO方法等，因为在论文发表之后提出，所以没被列在内。
这是一张基于VOC07和ImageNet 的各种提取proposal方法能力的测试图，作者分析发现：（1）MCG， EdgeBox，SelectiveSearch, Rigor和Geodesic在不同proposal数目下表现都不错；（2）如果只限制小于1000的proposal，MCG,endres和CPMC效果最好；（3）如果一开始没有较好地定位好候选框的位置，随着IoU标准严格，recall会下降比较快的包括了Bing, Rahtu, Objectness和Edgeboxes。其中Bing下降尤为明显；（4）在AR这个标准下，MCG表现稳定；Endres和Edgeboxes在较少proposal时候表现比较好，当允许有较多的proposal时候，Rigor和SelectiveSearch的表现会比其他要好；（5）PASCAL和ImageNet上，各个OP方法都是比较相似的，这说明了这些OP方法的泛化性能都不错。
简单讲解一下Selective search的方法原理，前面已经说了它是一张基于Grouping的方法，首先对图像进行过分割，过分割后的区域块和相邻的区域块之间计算相似度，把相似度最高的两个合并，然后重复上面的过程，直到整幅图像被合并成为一个区域，迭代停止；因此它是一种由粗到细，具有一定层次的方法。
这是层次聚类的算法伪码，很容易理解。
为了使得聚类不单一化，也就是产生尽可能多样的候选区域，文章对于相似度进行了多种描述，颜色空间上进行了多种转换，同时区域的纹理、大小、填充孔洞，以及起始的区域等特征都会影响相似度。总得来说，这种方法还是很不错的，但是就是计算量有点大。
在SPP-net前，由于CNN网络结构的特点，全连接层需要固定长度的输出，因此普遍作法都是使输出图像的大小固定，由于所有图像卷积层操作都是一样的，就可以保证输入到全连接层的向量大小是相同的。有两种方法，第一种是Crop，从原图上按照一定方式裁剪出固定大小的图像，第二种是warp，就是把使用bounding-box标注的目标区域，拉伸成固定大小，这两种方式都具有一定弊端，那就是传入网络训练的图像与原始数据并不一致。
SPP-net的思路就是想要解决样本rescaling问题，提出直接使用任意尺度的图像输入网络进行训练，从而增加尺度不变性，减少过拟合问题。
如果原图输入是224x224，对于conv5出来后的输出，是13x13x256的，可以理解成有256个这样的filter，每个filter对应一张13x13的reponse map。如果像上图那样将reponse map分成4x4 2x2 1x1三张子图，做max pooling后，出来的特征就是固定长度的(16+4+1)x256那么多的维度了。如果原图的输入不是224x224，出来的特征依然是(16+4+1)x256；可以理解成将原来固定大小为(3x3)窗口的pool5改成了自适应窗口大小，窗口的大小和reponse map成比例，保证了经过pooling后出来的feature的长度是一致的。
与R-CNN类似，检测上仍然使用相同的方法，Selective search + SVM，但是做了一些优化，使得速度提升不少，虽然SPP-net提出这种对训练图像大小不做限制的思想，并没有被继续使用，但是spatial pyramid pooling layer的方法，在后来的Fast R-CNN, Faster R-CNN和HyperNet方法中得以延续:RoI Pooling layer，用以把region proposal对应区域的feature map转换成固定大小的feature map，然后输入到全连接层中。
再看卷积神经网络结构上的发展，有影响力比较大的两个深层卷积神经网络GoogleNet 和 VGG，这两个网络结构在ILSVRC 2014年分类挑战赛上分别获得了第一名和第二名的好成绩。这是两篇论文里分别对网络精度的描述。
先看GoogleNet，论文提出了两种基本模式，首先是简单模式，3个使用不同大小卷积核的卷积层和一个pooling层，在一层里，依次分别进行，然后使用concat层把输出连接在一起，另外一个模式是在其中两个卷积层之前和pooling层之后，添加具有更小卷积核的卷积层，然后再用concat层进行连接。
这是整体网络结构的基本框架，这里每个inceptiond都是一个基础模型b，加起来一共有22层深，如果把5个pooling层也算进来，就有27层深（表格中所有的inception都是前面基础模型中的b结构，深度为2）。
这是具体的网络结构图，因为太长了，我把它转成水平。作者总结认为，这种网络结构，相比于较浅的、较窄的网络结构，虽然增加了部分计算量，但是却能取得明显的效果增益。在实际测试中，效果确实也要比传统的网络效果更好。
这是VGG的网络框架，从A到E一共6种，网络深度从11层到19层不等，论文也对卷积核大小进行了探讨，感兴趣的可以阅读原文。相对于这就是2014年之前基于深度学习进行目标检测的主要成果，当然还很多关于数据预处理，检测proposal提取方法，网络结构优化的尝试等没有在上文描述中出现，但是我觉得前面讲述的几个方法在当时已经算是集大成者，各方面性能表现都很惊艳，比传统的机器学习方法优越不少。
现在来讲2015年之后的该领域的一些发展，首先是Fast R-CNN。在R-CNN和SPP-net之后，作者分析他们存在以下三个不足：第一：训练的时候，提取proposal、CNN特征提取，SVM分类，和bbox 回归是分开隔离的，而Fast R-CNN实现了端到端的联合训练（提取proposal除外），这种思路在以后的检测方法中延续；第二，训练时间和内存开销大，R-CNN提取特征给SVM训练时候需要中间要大量的磁盘空间存放特征，Fast R-CNN去掉了SVM这一步，所有的特征都暂存在显存中，不需要额外的磁盘空间；第三，检测速度慢，在测试的时候，需要把提取的proposal（前面提到是2k个）都输入到网络中提取特征，作者测试，如果使用VGG16网络，一张图像在GPU模式下消耗的时间是47s。我们看一下Fast R-CNN的网络结果，输入一张图像和多个proposals，论文里也称为RoI， 经过卷积网络得到feature map，再把这些feature map输入到RoI pooling layer池化成一个固定大小的feature map， 经过全连接层后展开为一个特征向量，然后将特征向量同时应用于softmax和bbox regressor，前者是用于类别概率估计，后者用于对bounding box的位置进行回归。在提取过量proposal的时候，实际中，这些proposal多数都是相互重叠的，因此按照R-CNN的做法，把这些相互重叠的proposal依次输入到网络中打分，就会导致一个很严重的问题，那些重叠部分会被反复计算feature（使用的是同一个网络，就相当于把一张图不同部分反复算了很多遍），这样的计算浪费是很没有必要的，而Fast R-CNN避免了这个问题，它对一张图像只计算一次卷积feature map，而对于proposal对应的图像区域，它把他们在卷积feature map上对应的区域分别取出，通过RoI pooling layer 生成固定大小的feature map，然后进行后面的分类以及bbox回归。这点改变是它速度提升的重要原因之一。
介绍一下RoI pooling layer，前面讲述单层的SPP layer将这个卷积输出的ROI对应的feature map下采样为大小固定的feature map再传入全连接层，方法也很简单，在前面讲述SPP-net的时候，已经讲过为了能够输入任意尺度的图像，在卷积层输出的最后，添加空间金字塔池化层，使输出的特征向量具有固定的大小，这里也是同样的道理，只不过是为了使不同size的RoI区域能够输出统一，方便后面的分类以及bbox 回归。Fast R-CNN只是用了一层spp layer 得到固定大小的feature map，论文里设置的是7x7，为什么不使用更多层，主要是出于两方面的考虑：一个是会增加计算量，降低速度，另一个就是因为在训练时，作者使用了ImageNet预训练结果进行网络参数的初始化，如果把这里的池化层拓展为多个spp layer那些模型的参数就没办法直接使用，就必须重新训练。
关于尺度不变性，论文里引用了SPP-net的方法，brute force, 也就是简单认为object不需要预先resize到类似的scale再传入网络，直接将image定死为某种scale，直接输入网络来训练就好了，然后期望网络自己能够学习到scale-invariance的表达。image pyramids （multi scale），也就是要生成一个金字塔，然后对于object，在金字塔上找到一个大小比较接近227x227的投影版本，然后用这个版本去训练网络。凭感觉可以看出，方法2应该比方法1更加好，作者也在讨论了，方法2的表现确实比方法1好，但是好的不算太多，大概比方法高1个mAP左右，但是时间要慢不少，所以作者实际采用的是第一个策略，也就是single scale。这里，Fast R-CNN测试之所以比SPP-net快，很大原因是因为这里，因为SPP-net用了方法2，而Fast R-CNN用了方法1。
作者分析，在整张图像分类过程中，在计算全连接层上计算花费的时间要比卷积层少，但是对于目标检测来说却是相反的，因为要处理的RoI数量比较多，像图上显示的在forward pass过程程中，fc6和fc7占了44.9%的时间，因此作者提出通过利用SVD分解的方法，将大规模的全连接矩阵缩减到很小的数据量，论文里讲述，将fc6 25088x4096的矩阵压缩为1024个奇异值，fc7 4096x4096 压缩为256个奇异值，虽然在精度上下降了0.3%，但是速度上却提升了30%。
Fast R-CNN 将R-CNN用于分类的分类器，从SVM换成了softmax，但是这两者到底哪一个究竟更好，作者也进行了探讨，这是一组对比试验，其中S,M,L分别都是网络模型，S指的就是AlexNet，M指的是VGG_CNN_M_1024，L指的是VGG16网络深度依次增加，可以看出使用softmax的结果比SVM都要好一些，而且作者指出，在ROI打分的时候，softmax会提供各个类别的score，而svm提供的是one-vs-rest，前者对于分类来说可能更有利。
这是一个R-CNN， SPP-net，Fast R-CNN的速度对比表，可以看出速度提升的还是很明显的。论文就很多其他细节也都进行了讨论，例如网络更新是否应该全部更新还是部分更新问题，数据量的问题等，这里就不做介绍了。
再来看2015年另外一篇论文，Faster R-CNN。 在Fast R-CNN之后，一些研究者也逐渐意识到，提取proposal成为了提升目标检测速度和精度的瓶颈，R-CNN，SPP-net和Fast R-CNN提取proposal的方法都还依赖于selective search。在提取proposal是在CPU中进行的，单幅影像耗时差不多2s，即便经过Fast R-CNN的优化加速后，想要做到视频实时处理，速度仍然还不够。于是Faster R-CNN就提出来，应该把提取proposal也交给CNN来做。在Fast R-CNN中，目标检测是在卷积feature map上基于区域进行的，那是不是也可以直接从卷积feature map上产生proposal呢？答案是肯定的。这就是Faster R-CNN的核心思想：RPN提取proposal+Fast R-CNN分类。图中显示的就是RPN的示意图，其中conv feature map就是卷积层最后输出的feature map，使用滑动窗口，这里给出的3x3的滑动窗口，把其中的高维特征展开降维成256维的低维向量，把得到的特征向量分别输入到两个并列的层里，一个box-regression layer（reg）和一个box-classification layer（cls）。
在RPN网络中，滑动窗口中心所在位置，我们成为sliding position， 在每个sliding position会按照一定的规则产生一系列的box，这些相关的box就被成为anchors，论文里指出每个sliding position 会按照3个不同的尺度，产生3个不同长宽比（1:1， 1:2， 2:1）一共9个anchors， 假设一幅feature map大小是WxH，那么它所产生的anchors数量就是：WHk，在数据处理的时候，作者把图像都rescale 到1000x600大小，得到的卷积feature map为60x40，所以每张图可以产生anchors 有60x40x9约为20k个，这是远远过量的，而且速度很快，通过对IoU进行非最大抑制后，余下2k的anchors投入训练，在检测的时候，这个数目还好降得更低，减为了300个。
速度和精度上的提升效果都比较显著。
这是HyperNet的网络结构。经历了Fast R-CNN和Faster R-CNN后，人们开始重新审视这些算法的检测结果，不难发现，由于深层卷积网络的使用，使得人们能够通过卷积和池化快速得到proposal windows对应的高维特征，但是最后卷积层输出的feature map都是非常粗糙的（feature map上很小的区域，对应到原图上就具有很大的感受野），这就很容易导致定位不准确的问题，当面临检测小物体时，这种弊端就更加突显，往往得到的bbox与ground truth偏差较多。这是HyperNet的考虑，作者觉得有必要提出一种策略降低这种因为conv feature map的过于粗糙而产生的定位偏差，而解决方法就是，既然顶层的conv层缩水太厉害，那就把它在扩大，也就是这里使用的Deconv 对高层特征进行上采样，同时还联合浅层的conv来增加网络判别和定位的能力，从而得到更加精细化的定位。这就是HyperNet的核心思想。
与Fast R-CNN,Faster R-CNN一样在训练时都将训练数据rescale成为1000x600或600x1000。不同卷积层上的feature map融合时，由于具有不同的分辨率，需要统一到相同size，因此对于浅层feature map通过pooling降采样，对于深层feature map通过去卷积化Deconv进行上采样，然后通过LRN操作进行数据归一化，之后通过concat层把数据联接在一起。作者分析这样做的优势有三点：a.多尺度的特征描述; b.得到的feature map大小对于目标检测更为合适（合成的Hyper feature map 大小是250x150，而Faster R-CNN为60x40）; c.计算更加高效，没有冗余计算，所有的feature都已经在生成proposal和检测之前完成，之后不需要再进行特征提取。关于proposal提取方法（参考的论文就是Faster R-CNN作者提出的，感觉跟RPN很像，但是效果要好一些）。
加速策略（略）。
速度上比Fast R-CNN快了不少，跟Faster R-CNN差不多，但是精度上比前两者都更高。
还有一些很好的其他算法，这里没有列举出来，但是从这些列出的算法中，可以看出一些内容：
1.目标检测在融入了深度学习后，发展迅速，尤其是近几年，检测的速度不断加快，精度也在不断提高；
2.整体目标虽然是快速高效地完成检测，但研究的热点内容逐渐从如何更好地构建深层神经网络，转变到快速高效地提取proposal，再到如何更准确地定位和实时处理问题；
3.基本的卷积神经网络结构已经在2014年左右奠定了基本格局，由基本网络例如AlexNet, VGG，GoogLeNet等衍生出的检测网络比比皆是；
4.提取proposal的方法，始终都是提高检测速度的关键，逐渐从利用原图信息提取proposal，转变为利用conv feature map提取的方式，例如RPN，HyperNet等；
5.训练测试的pipeline，从特征提取，定位和分类独立进行，转变为全都在神经网络里完成的end-to-end模式；
6.仍然有较大的提升空间，从各种检测方法的评估来看，mAP精度还有不小的提升空间（目前还停留在80%以下），而想要实现实时处理（如YOLO），就要以牺牲精度为代价。
