【深度学习】从R-CNN到Mask R-CNN的思维跃迁

发现之前写R-CNN系列的文章，侧重于结构设计层面的，比较零散，我写一个侧重于从R-CNN到Mask R-CNN设计思路是如何演变的，对R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN四篇巨作有一个宏观上的认知，R-CNN系列的思维跃迁堪称科研教科书，希望大家能从中得到一些如何做研究的启发。

R-CNN

在那个时间点，基于深度学习的卷积神经网络开始屠榜ImageNet，R-CNN的思路非常直接，既然在图像分类方向上卷积神经网络效果这么好，那么如果把一张图的所有目标抠出来，一个一个送入CNN，不就可以将CNN和目标检测任务结合起来使用了，于是R-CNN就诞生了。

训练流程：

1.先在ImageNet上对CNN进行supervised pre-training。

2.然后在PASCAL VOC 2012数据集上进行domain-specific fine-tuning，即把ImageNet的1000分类层替换成21分类层(20个目标类加上1个背景类，因为region proposal会多产生一个背景类)进行fine-tuning。

3.然后将21分类层替换成每个类别一个线性SVM分类器(即总共21个SVM)，然后进行分类训练。

4.最后加上边界框回归分支，进行定位训练。

推理流程：

1.先对输入图片使用selective search抽取2000个region proposals。

2.然后将region proposals一个一个送入CNN进行计算。

3.最后使用SVM分类器和边界框回归分支得到最终的类别和定位。

(ps: 由于后续的Faster R-CNN没有再沿用selective search和SVM，这里就不细讲了)

贡献

另外R-CNN还有一个容易被忽略的重要贡献，R-CNN之前的方法是先unsupervised pre-training，然后fine tuning，而R-CNN是第一个提出先supervised pre-training，然后fine tuning用于下游任务(说句题外话，现在的self-supervised是要重新使用usupervised pre-training的方式啊)。

最终，R-CNN在PASCAL VOC 2012数据集上比起之前的方法提升了30%。R-CNN奠定了目标检测的总体框架，开辟目标检测领域region proposal+CNN范式的新时代。

同时R-CNN埋下了两个伏笔

伏笔一

将R-CNN和OverFeat进行比较，提到OverFeat比R-CNN速度快9倍，主要是因为OverFeat的region proposals是作用在CNN后的feature map上的，CNN参数共享大大提高region proposals的并行性。

伏笔二

R-CNN中提到，SVM可能不是必须的，可能可以精简训练流程。

Fast R-CNN

Fast R-CNN针对R-CNN的两个伏笔进行了改进，通过CNN并行处理所有region proposal，并且同时训练分类和定位。

训练流程：

1.先在ImageNet上进行pre-training。

2.然后在PASCAL VOC数据集上进行分类和定位多任务的fine-tuning。

在训练流程上，相对于R-CNN直接将2，3，4步骤合并成一个步骤完成，大大降低了训练的复杂程度。

推理流程：

1.先将整张图片送入CNN得到feature map。

2.然后对feature map进行selective search，得到region of interest(RoI)。

3.然后将每个RoI送入RoI pooling转化成相同维度的向量。

4.最后通过两个独立的FC，预测出类别和位置。

在推理流程上，相比于R-CNN，送入CNN的是整张图片，selective search是在更小分辨率的feature map上进行的，大大减少了计算量。

下面详细讲一下Fast R-CNN的两个部分：RoI pooling和Multi-task loss。

RoI pooling

将不同尺寸大小的RoI进行维度上的对齐，可以统一进行multi-task的训练和推理。

RoI pooling如图所示。以RoI pooling后尺寸变成2x2为例，右上图的黑色矩形框对应一个RoI(h,w=5,7)，RoI需要分成4个bin，由于RoI pooling切分bin的时候需要对划分尺寸进行量化(h//2=2，w//2=3)，所有第一个bin包含2x3个像素，第二个bin包含2x4个像素，第三个bin包含3x3个像素，第四个bin包含3x4个像素。最后对每个bin中的像素进行max pooling得到最终的2x2 feature map。

Multi-task loss

Fast R-CNN有两个输出层。第一个输出是每个RoI的离散概率分布，总共K+1个类别(其中一个是背景类)，概率表示为 $p = \left( p _ { 0 } , \ldots , p _ { K } \right)$ 。第二个输出是边界框回归的偏移量 $t ^ { k } = \left( t _ { \mathrm { x } } ^ { k } , t _ { \mathrm { y } } ^ { k } , t _ { \mathrm { w } } ^ { k } , t _ { \mathrm { h } } ^ { k } \right)$ ，其中 $t ^ { k }$ 表示的是第k个类别对应的proposal的偏移量，xywh分别表示中心点和宽高，即输出维度为4K，每4个维度对应一个类别的偏移量。

假设gt的类别为u，gt的边界框为v。我们用多任务loss来联合训练分类和边界框回归：

$L \left( p , u , t ^ { u } , v \right) = L _ { \mathrm { cls } } ( p , u ) + \lambda [ u \geq 1 ] L _ { \mathrm { loc } } \left( t ^ { u } , v \right)$

其中 $[ u \geq 1 ]$ 是指示函数，当 $u \geq 1$ 大于等于1时等于1，反之为0，分类损失函数为 $L _ { \mathrm { cls } } ( p , u ) = - \log p _ { u }$ 。

其中边界框回归loss为：

$L _ { \mathrm { loc } } \left( t ^ { u } , v \right) = \sum _ { i \in \{ \mathrm { x } , \mathrm { y } , \mathrm { w } , \mathrm { h } \} } \operatorname { smooth } _ { L _ { 1 } } \left( t _ { i } ^ { u } - v _ { i } \right)$

$\operatorname { smooth } _ { L _ { 1 } } ( x ) = \left\{ \begin{array} { l l } 0.5 x ^ { 2 } & \text { if } | x | < 1 \\ | x | - 0.5 & \text { otherwise } \end{array} \right.$

贡献

Fast R-CNN极大的简化了R-CNN的训练流程，可以端到端的训练检测器，为后续Faster R-CNN的出现奠定了基础。

Fast R-CNN同样埋下了伏笔

伏笔

Fast R-CNN指出region proposal部分还是计算量太大了，导致速度不能进一步提高。

Faster R-CNN

虽然Fast R-CNN极大加快了检测器的推理速度，但是region proposal部分仍然是检测器进一步提升速度的瓶颈。于是，Faster R-CNN针对Fast R-CNN埋下的伏笔，设计了RPN和Anchor两个新组件，来改善region proposal提取RoI的质量，同时提升检测器的精度和速度。

训练流程：

1.通过ImageNet pre-trained model初始化CNN，然后端到端fine-tuning RPN部分。

2.固定住RPN，然后通过RPN产生的region proposal来训练Fast R-CNN部分。

3.固定住CNN和Fast R-CNN来fine-tuning RPN网络。

4.固定住CNN和RPN来fine-tuning Fast R-CNN网络。

相当于是对RPN和Fast R-CNN两个部分交替进行训练，因为使用了RPN，导致训练难度增加，比起Fast R-CNN训练过程更加复杂了(后续开源代码对Faster R-CNN训练流程进行了简化，可以同时训练RPN和Fast R-CNN)。

推理流程：

1.先将图片输入CNN得到featmap。

2.然后通过RPN产生RoI。

3.然后将每个RoI送入RoI pooling转化成相同维度的向量。

4.最后通过两个独立的FC，预测出类别和位置。

下面详细讲一下Faster R-CNN的三个部分：Region Proposal Networks、Anchors和Loss Function。

Region Proposal Networks

Faster RCNN则抛弃了传统的滑动窗口和SS方法，直接使用RPN生成检测框，这也是Faster R-CNN的巨大优势，能极大提升检测框的生成速度。

上图是RPN网络的具体结构。RPN网络分成2个分支，一个分支通过softmax分类得到所有anchors的分类分数，另一个分支用于计算所有anchors的边界框回归偏移量，以获得精确的proposal。最后在ProposalCreator通过分类分数和偏移量来得到合适的proposals。

Anchors

Faster R-CNN中在feature map的每个位置都设置了三种尺度三种长宽比的anchor，总共9种。

anchor数量对RPN输出维度产生的变化如图所示

原文中使用的CNN网络是ZF，CNN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-dimensions。
在conv5之后，做了3x3卷积保持num_output=256，相当于每个点又融合了周围3x3的空间信息。
在conv5 feature map的每个位置上设置k个anchor（默认k=9），而每个anhcor要分positive和negative，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。
训练时在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练。

Loss Function

Faster R-CNN训练时有4个损失函数，函数形式跟Fast R-CNN的损失函数相似：

1.RPN 分类损失：anchor是否为前景（二分类）

2.RPN位置回归损失：anchor位置微调

3.RoI 分类损失：RoI所属类别（21分类，多了一个类作为背景）

4.RoI位置回归损失：继续对RoI位置微调

四个损失相加作为最后的损失，反向传播，更新参数。

贡献

Faster R-CNN设计的RPN和anchor可以极大提升region proposal质量，同时极大提升了检测器的精度和速度。Faster R-CNN是R-CNN系列的集大成者，能够用近乎实时的速度检测物体，让目标检测在更多场景应用成为可能。

Mask R-CNN

Faster R-CNN的RoI pooling是粗粒度的空间量化特征提取，不能做输入和输出pixel-to-pixel的特征对齐，并且不能直接应用于实例分割。于是Mask R-CNN提出用RoIAlign来替代RoI pooling，得到pixel-to-pixel的特征对齐，并且在Faster R-CNN框架的基础上简单的增加了一个mask分支就能实现实例分割。

训练流程：

1.先在ImageNet上进行pre-training。

2.然后在COCO数据集上进行分类、定位和分割三个任务fine-tuning。

推理流程：

1.先将图片输入CNN得到featmap。

2.然后通过RPN产生RoI。

3.然后将每个RoI送入RoI pooling转化成相同维度的向量。

4.最后通过两个独立的FC，预测出类别和位置，同时通过mask分支预测出分类分数前N个RoI的分割mask。

下面详细讲一下Mask R-CNN的三个部分：Region Proposal Networks、Anchors和Loss Function。

Network Architecture

Mask R-CNN把抽取特征的CNN部分定义为backbone，把分类、回归和分割部分定义为head。Mask R-CNN把ResNet第4个stage出来的feature定义为ResNet C4，同时Mask R-CNN还探索了更加有效的FPN网络。

FPN结构如图所示。FPN采用自顶向下结构，通过横向连接构建网络内部特征金字塔。FPN可以根据anchor的尺度大小分配特征层，从不同特征层提取RoI特征。

head结构如图所示。ResNet C4的backbone后面增加了一个stage5，然后进行分类、回归和分割。FPN的backbone将FPN结构收集到的RoI直接送入两个分支，然后进行分类、回归和分割。

其中分割分支，通过deconv来得到更大分辨率的feature map，从而得到更精确的mask预测结果，分割分支的最终feature map通道数等于类别数，每个通道预测一种类别的mask。最终多任务的损失函数为 $L = L _ { c l s } + L _ { b o x } + L _ { m a s k }$ ，相比Faster R-CNN，损失函数多了 $L _ { m a s k }$ 项。

RoIAlign

分割需要pixel-to-pixel对齐的RoI特征，这促使Mask R-CNN设计了RoIAlign来替代RoI pooling。

RoIAlign如图所示。切分bin的时候和RoI pooling有所不同，避免了量化带来的误差，保证pixel-to-pixel的对齐。如右下图，RoIAlign切分bin的时候不进行量化，每个bin划分成2x2(4个红色x标记)，每个红色x通过最相邻的4个像素值进行双线性插值计算，得到每个bin的4个插值，最后通过max pooling得到最终的2x2 feature map。

贡献

Mask R-CNN完美地展现了Faster R-CNN的易拓展性和强大的检测能力。但是Mask R-CNN最重要的贡献其实是提高了人们对实例分割任务思维上的认知。从现在看，先检测后分割的思路似乎非常简单，但是在Mask R-CNN出现之前，实例分割大多数都是bottom-up的思路，而Mask R-CNN是top-down的思路，在当时如何在检测框架中简洁优雅的嵌入实例分割是很困难的。

详细的讨论可以看周博磊大佬当年的回答https://www.zhihu.com/question/51704852/answer/127120264

Mask R-CNN最终夺得ICCV 2017 Best Paper。Mask R-CNN即使放到现在也依然是王者，再次感受一下Mask R-CNN的强大

R-CNN/Fast R-CNN/Faster R-CNN/Mask R-CNN比较

这里祭出我的多年珍藏(slides放在公众号了，回复R-CNN自取)

从上图可以清清楚楚的看出从R-CNN到Mask R-CNN框架是如何演变的。

可以分成两个支线看：训练流程和推理框架。

训练流程上

R-CNN -> Fast R-CNN极大精简了目标检测框架的训练流程，从4个独立训练流程精简成了2个独立训练流程。

Fast R-CNN -> Faster R-CNN因为RPN网络的引入，导致训练流程重新变成了RPN和Fast R-CNN交替训练4次(后续开源代码将RPN和Fast R-CNN联合训练了)。

Faster R-CNN -> Mask R-CNN又转变成了2个独立训练流程。

推理框架上

R-CNN -> Fast R-CNN提取RoI进行并行化处理，将分类和定位看成一个多任务，并设计RoI pooling来进行特征对齐。

Fast R-CNN -> Faster R-CNN提出RPN来对region proposal部分进行加速，并且提出anchor来适应不同形态的目标。

Faster R-CNN -> Mask R-CNN增加一个mask分支，展示了Faster R-CNN的易拓展性，并且设计了RoIAlign进行pixel-to-pixel的对齐。

总结

整个R-CNN系列非常经典，阵容极其华丽(RBG、何恺明、任少卿等等)。从传统视觉到深度学习，RGB简单直接的应用CNN构造了R-CNN检测器，开启基于深度学习的目标检测新时代；从R-CNN到Fast R-CNN、Faster R-CNN通过实验观察和思考，发现问题，解决问题；Mask R-CNN在已有领域，通过简单设计改造，从目标检测任务迁移到实例分割任务。无论是从设计思维，洞察力和科研敏锐性上，都无可挑剔。(ps：R-CNN的文章，看起来粗糙，实则干货满满；现在的文章都一个模子刻出来的一样，看起来精致，实则同质化严重)

最后，我想说的是计算机视觉中，从R-CNN到Mask R-CNN的思维跃迁是我最爱看的“小说”章节。

Reference

[1] Rich feature hierarchies for accurate object detection and semantic segmentation

[2] Fast R-CNN

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

[4] Mask R-CNN

另外再推荐几篇Faster R-CNN的blog，非常精彩

https://zhuanlan.zhihu.com/p/31426458

https://zhuanlan.zhihu.com/p/145842317

https://zhuanlan.zhihu.com/p/32404424




    
往期精彩回顾





    


适合初学者入门人工智能的路线及资料下载
机器学习及深度学习笔记等资料打印
机器学习在线手册
深度学习笔记专辑
《统计学习方法》的代码复现专辑



    
AI基础下载
机器学习的数学基础专辑
温州大学《机器学习课程》视频
本站qq群851320808，加入微信群请扫码：