Cascade R-CNN:Delving into High Quality Object Detection
Cascade R-CNN:一种致力于高质量目标检测的方法
作者： Zhaowei Cai Nuno Vasconcelosi
单位： UC San Diego
发表会议及时间： CVPR 2018

研究背景

单阶段算法

一次特征提取，同时对分类和检测的loss进行计算，反向传播更新参数

双阶段算法

stage1：产生高质量的框（先验框）
stage2：对高质量的框进行微调

分析背景，提出问题

1. 目标检测中， 需要一个交并比(IOU)阈值来定义物体正负标签
2. 低IOU阈值如0.5， 训练的目标检测器通常会产生噪声检测， 然而随着IOU阈值的增加， 检测性能趋于下降

分析原因

1. 训练过程中由于正样本呈指数级消失而导致的过度拟合；
2. 检测器为最优的IOU与输入假设的IOU之间在推断时不匹配；

提出解决方案

1. 提出了一种多级目标检测体系结构——cascade R-CNN
2. 它由一系列、 多级探测器组成， 不同级别探测器使用的IOU阈值不同， 且逐步提高（ 具体为0.5/0.6/0.7三个阈值）， 以便对接近的假阳性（ FP） 的bbox有好的甄别效果
3. 多级探测器是分阶段训练的， 上一级探测器的输出是下一级探测器的输入， 可以避免过拟合
4. 推理阶段使用同样的级联结构

实验结论

1. 具有实现简单、 效果优异的特点， 在COCO数据集的相关测试中， 超过了所有的单模型对象检测器
2. 在目标检测问题上， Cascade R-CNN具有广泛的适用性， 可以为不用的检测算法带来一致的检测增益

知识补充

目标检测常见评价指标

IOU

IoU=两个矩形框相交的面积/两个矩形框相并的面积

TODO IOU计算代码

AP

coco评测中的AP指标

• coco的语境下AP便是mAP，这里的AP已经计算了所有类别下的平均值
• 同时 coco中的AP不仅考虑了类别的PR曲线，也考虑了IOU阈值，计算方法如下：
  PR曲线上采样了100个点进行计算。而且Iou的阈值从固定的0.5调整为在0.5-0.95的区间上每隔0.5计算一次AP的值，取所有结果的平均值作为最终的结果

双阶段目标检测的演化

R-CNN

• 预测步骤：
  • 输入测试图像
  • 利用选择性搜索SelectiveSearch算法在图像中从下到上提取2000个左右的可能包含物体的候选区域RegionProposal
  • 因为获取到的候选区域大小各不相同，所以需要将每个Region Proposal缩放(warp)成统一的227x227的大小并输入到CNN，将CNN的fc7层的输出作为特征
  • 将每个RegionProposal提取到的CNN特征输入到SVM进行分类

• 缺点：

  • R-CNN虽然不需要穷举所有框了，但是它需要对所有ss算法选取出的候选框regionproposal(2000多个)进行CNN提取特征+SVM分类，计算量很大，导致R-CNN检测速度很慢，一张图都需要47s

• 改进思路

  • 只进行一次卷积提取特征
  • 将region proposal在原图的位置映射到卷积层特征图上
  • 映射后的各个proposal的特征输入到全连接层做后续操

Fast R-CNN

• 主要改进
  • 一次卷积
  • 最后一个卷积层后加了一个ROIpoolinglayer，
  • 损失函数使用了多任务损失函数(multi-taskloss)，将边框回归Bounding Box Regression直接加入到CNN网络中训练。

• 问题：
  • 依旧是利用选择性搜索SelectiveSearch算法在图像中从下到上提取2000个左右的可能包含物体的候选区域

Faster R-CNN

最大的改进点：利用RPN网络取代 选择性搜索网络

RPN 网络

• 在特征提取网络最后一层featuremap上滑动一个3x3的窗口，每次滑窗的中心处产生9个anchor，用来生成RPN网络训练所需要的anchor样本。
• 将上一步生成的低维向量送入两个1x1的卷积层，一个是bbox的回归层，一个是bbox的分类层（根据iou阈值，分出正负样本）
• 滑动窗口的位置提供了物体的大体位置信息
• 框的回归提供了框更精确的位置

Anchor

• Anchor是为了训练RPN网络提供样本的
• 在RPN网络的每个33的窗口中心生成一系列anchor，6040(RPN作用的卷积层大小)的卷积特征图上每个点都生成了一系列的anchor
• 三种面积

{128128,256256,512*512}
三种长宽比例{1:1,1:2,2:1}

RPN 整体流程

• Positive Labels

  • Anchors与GroundTruth有最高IOU重叠的anchor标为正类；
  • 与任意GroundTruth的IOU大于0.7的anchor均可标为正类；

• Negative Labels

  • 与所有GroundTruth的IOU均小于0.3的anchor标为负类；

• 既不是正类也不是负类的anchors，以及跨越图像边界的anchors均舍弃

• 6000个带有标签的正负anchor，随机挑选256作为一个mini_batch(1:1),更新一次RPN权重

• RPN训练好后，采用NMS对生成的ROI区域(准备送往ROI的区域)进行过滤（过滤至2000个左右）

ROI pooling

• RPN网络生成的ROI区域和之前的feature maps一起作用完成ROI pooling过程
• 根据ROI区域将feature maps中的对应区域抠出来，再resize到相应的输出尺寸

总结

1. R-CNN网络

   • 在图像中确定约1000~2000个候选框（Selective Search）
   • 每个候选框内图像块缩放至相同大小，并输入到CNN内进行特征提取
   • 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
   • 对属于某一类别的候选框，用回归器进一步调整其位置

2. Fast R-CNN

   • 在图像中确定约1000~2000个候选框（Selective Search）
   • 将整张图片输入CNN网络得到feature map
   • 找到每个候选框在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SPP层以及之后的层
   • 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
   • 对于属于某一类别的候选框，用回归器进一步调整其位置

3. Faster R-CNN

   • 将整张图片输入CNN网络得到feature map
   • 将卷积特征输入到RPN，得到候选框的特征信息
   • 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
   • 对于属于某一类别的候选框，用回归器进一步调整其位置

当前目标检测的问题

Cascade RCNN 本质上是扩展了Faster-RCNN的两阶段体系结构，如下图3 (a)所示。第一阶段是一个Proposal子网络（“H0”），应用于整个图像，以产生初步的检测假设，称为目标推荐。在第二阶段，这些假设由ROI检测子网（“H1”）处理，表示为检测头。最终，分类得分（“C”）和边界框（“B”）被分配给每个假设框。本文主要专注于建模多级检测子网，采用但不限于RPN网络进行Proposal检测。

Bounding Box Regression

边界框b = (bx, by, bw, bh)由图像块x的四个坐标。边界框回归的任务是使用回归器f(x, b)将候选边界框b回归到目标边界框g中。这是从训练样本{gi, bi}中学习的，以便将边界框风险降至最低。

Lloc在距离矢量△=（δx、δy、δw、δh）上操作定义如下：

由于边界框回归通常对坐标b执行轻微调整，因此公式（2）的数值可能非常小。因此，公式（1）坐标回归的风险通常远小于分类风险。为了提高多任务学习的有效性，△通常由其均值和方差归一化，即δx替换为δ’x=(δx-μx)/σx。

一些论文认为，单一的回归模块不足以准确定位。因此可以考虑使用迭代f的方式精修回归框b。

这被称为迭代边界框回归，表示为iterative BBox。它可以用图3(b)的推理体系结构实现，其中所有头都是相同的。然而，这个想法忽略了两个问题。

• 首先，如图1所示，在u=0.5处训练的回归器f对于较高IoU的假设是次优的。它实际上会降级大于0.85的IoU边界框。
  
• 其次，如图2所示，边界框的分布在每次迭代后都会发生显著变化。虽然回归器对于初始分布是最佳的，但在那之后它可能是相当次优的。
  

由于这些问题，iterative BBox需要相当多的人力工程（包括 proposal accumulation、box voting等形式），并且有一些不可靠的增益。通常，两次以上的f没有任何好处。

Classification

分类器是一个函数h(x)，它将图像块x分配给M+1类中的一个，其中类0包含背景和其余要检测的对象。h(x)是类上后验分布的M+1维估计，即 $h_k(x) = p(y = k|x)$，其中y是类标签。给定一个训练集（xi,yi），它是通过最小化分类风险来学习的:

其中Lcls 是类别的交叉熵损失。

Detection Quality

由于边界框通常包括对象和一定数量的背景，因此很难确定检测是正的还是负的。这通常通过IoU指标来解决。如果IoU高于阈值u，则该图像块将被视为类的正例。因此，通过如下公式表示前、背景：

其中gy是目标g的真实类标签。此IoU阈值u，我们定义其为一个检测器的质量。

目标检测的挑战性在于，无论阈值如何，检测设置都是高度对抗性的。当阈值u较高时，正例因素包含的背景较少，但要收集足够多的正例训练例子是很困难的。当阈值u较低时，能够得到一个更丰富和更多样化的正例训练集，但训练过的检测器几乎没有动机拒绝接近正确的假正例。一般来说，要求单个分类器在所有IoU级别上都表现得很好是非常困难的。在推理时，由于提案检测器产生的大多数假设（例如RPN或选择性搜索）质量较低，因此检测器必须对质量较低的假设更具鉴别力。这些相互冲突的要求之间的标准妥协是将阈值设为0.5。然而，这是一个相对较低的阈值，导致大多数人类认为是接近正确的低质量检测，如图1(a)所示。

一个简单的解决方案是开发一个分类器的集合，具有图3©的体系结构，优化了针对不同质量级别的损失，

其中U是一组IoU阈值，U = {0.5, 0.55, · · · , 0.75}，旨在适应COCO挑战的评估指标。根据定义，分类器需要在推理时集成。此解决方案未能解决上面公式6中不同损失在不同数量的正例上运行的问题。如图4的第一幅图所示，正样本集随着u迅速减少。这尤其有问题，因为高质量的分类器容易过拟合。此外，这些高质量的分类器需要在推理时处理质量极低的提案，而这些提案没有得到优化。由于所有这些，公式（6）的组合在大多数质量级别上都无法实现更高的精度，而且体系结构比图3 (a)的增益很小。

2021华为云 AI 实战营 ——华为云员工都在学的AI实战营，快来报名免费学习吧~