当前位置：首页 > news >正文

深度学习——R-CNN及其变体

news 2025/8/19 16:48:19

文章目录

一、R-CNN
二、评价指标
三、Fast R-CNN
四、Faster R-CNN
四、总结
五、Mask R-CNN
六、Cascade R-CNN

一、R-CNN

整体的流程分为三步：

1、图片候选框生成与特征提取
2、确定框内是否有物体以及物体是什么
3、修正框的位置

(1) 预训练与微调
在这里插入图片描述
预训练是指在一个大规模通用数据集上，先训练一个基础 CNN 模型，让模型学习到通用的视觉特征。
$大规模分类数据集（如 I ma g e N e t ） + CNN 模型（如 A l e x N e t ） = 预训练好的 CNN 模型$
微调是指将预训练好的 CNN 模型，在新的特定任务数据集上进行二次训练，调整网络参数。
$目标检测数据集（如 P A SC A L V OC ） + 预训练好的 CNN = 适配检测任务的 CNN$

生成候选区域（Region Proposal）：对数据集中的每张图像，用选择性搜索（Selective Search）生成约 2000 个大小、比例不同候选区域（矩形框）。定义 “正样本”（IoU≥0.5）和 “负样本”（IoU＜0.5）。
- Step1：初始分割：使用 Felzenszwalb 算法进行超像素分割（superpixel segmentation），把将像素按颜色、纹理相似度聚成数百个初始小区域。每个区域都有自己的颜色直方图、纹理直方图、大小、位置等特征。
- Step2：区域相似性计算：
  - 颜色相似性 $ScolorS_\text{color}$ ：HSV 颜色空间中每个通道的直方图。交集的总和。
  - 纹理相似性 $StextureS_\text{texture}$ ：用高斯导数提取每个区域的纹理特征，生成纹理直方图。交集的总和。
  - 大小相似性 $SsizeS_\text{size}$ ：两个区域的大小接近程度
  - 空间邻近性 $SfillS_\text{fill}$ ：两个区域在空间上是否紧密相邻
- Step3：区域合并：计算所有相邻区域间的综合相似度（赋权或等权）。每次合并相似度最高的两个区域，形成新的区域。重新计算新区域与周边区域的相似度（更新颜色、纹理直方图等特征）。直到所有区域合并为一个整体。在合并过程中每一步生成的区域都作为候选区域保留。
- Step4：后处理：合并过程会产生大量重叠的候选区域，通过非极大值抑制（NMS）或阈值筛选，保留约 2000 个高质量候选区域（去除高度重叠的冗余框）。
区域归一化（Warping）：选择性搜索生成的是候选框的坐标（x1, y1, x2, y2，即左上角和右下角坐标）。
程序会根据这些坐标，从原始图像中裁剪出对应的区域，再缩放 / 拉伸到 CNN 要求的固定尺寸（如 227×227 像素）。【CNN 的输入需要固定尺寸】
$归一化候选区域图像块 + 预训练后的 CNN = 每个候选区域对应的高维特征向量$

(2) 分类（Classification）：
在这里插入图片描述

输入：微调后的 CNN 提取的每个候选区域的 4096 维特征。
标注：每个特征向量会根据IoU分别被标注为该 GT 的类别（如 “person” / “car”）或“background” 类别。
正例：IoU ≥ 0.5（与真实框高重叠，含目标）；
负例：IoU < 0.1（与真实框低重叠，为背景）；
为每个类别训练一个 SVM（如 VOC 的 20 类对应 20 个 SVM）
输出：判断该区域是否属于某一目标类别或背景。（1或-1）
非极大值抑制（NMS）：同一目标可能被多个候选区域覆盖，通过 NMS 移除重叠度高的冗余框（保留置信度最高的框）

(3) 边框回归（Bounding Box Regression）：
在这里插入图片描述

输入：微调后的 CNN 提取的每个候选区域的 4096 维特征。仅选择重叠度较高的候选区域（如 IoU≥0.6）作为训练样本（先通过 SVM 分类过滤掉背景类别，只保留被判定为目标的区域）。+ 候选框的坐标( $𝑥_𝑎$ , $𝑦_𝑎$ , $𝑤_𝑎$ , $h𝑎ℎ_𝑎$ )。
标注：候选框与真实框的偏移量。
训练线性回归模型，输出：候选框与真实框的偏移量 tx, ty, tw, th

其中 ( $𝑥_𝑎$ , $𝑦_𝑎$ , $𝑤_𝑎$ , $h𝑎ℎ_𝑎$ )是候选框，(𝑥,𝑦,𝑤,ℎ)是真实框。

R-CNN的优点：

提出候选区域 + 特征提取 + 分类的模块化框架
引入边框回归提高定位精度。
首次将深度学习引入目标检测，在 R-CNN 之前，目标检测主要依赖手工设计的特征（如 HOG、SIFT）和传统分类器（如 SVM），精度受限。

二、评价指标

	预测出了目标	没有预测出目标
确实存在目标	True Positive（正确）	False Negative（漏检）
不存在目标	False Positive（误检）	True Negative

Precision（精确率）：反映预测的准确性，越低说明误检越多
$\frac{TP}{TP + FP}$
Recall（召回率）：反映预测的完整性，越低说明漏检越多
$\frac{TP}{TP + FN}$
PR 曲线：以召回率 recall 为横轴、精确率 precision 为纵轴绘制的曲线，反映不同置信度阈值下模型的精度 - 召回权衡。
AP（平均精度）：单个类别的 PR 曲线下的面积，衡量该类别的检测精度。
mAP（mean Average Precision，平均精度均值）所有类别AP的平均值，是目标检测中最核心的评价指标。
IoU（Intersection over Union，交并比）：预测框与真实框的交集面积除以并集面积。判断预测框是否有效。
$\frac{Area(预测框 \cap 真实框)}{Area(预测框 \cup 真实框)}$
AP@0.5：IoU ≥ 0.5 就算对。AP@0.75：IoU ≥ 0.75 才算对
mAP@0.5:0.95 = 在 IoU=0.5 到 0.95（步长0.05）10个阈值下的平均 mAP
推理时间（Inference Time）模型处理单张图像并输出检测结果的时间（单位：毫秒 ms 或秒 s）。
参数量（Parameters）：模型中可学习参数的总量（单位：百万 M）。
计算量（FLOPs，Floating Point Operations）模型推理过程中所需的浮点运算次数（单位：十亿 G）。

三、Fast R-CNN

R-CNN 的缺点：

速度慢：对每张图像的 2000 个候选区域，需单独输入到CNN 提取特征，导致卷积层重复计算
训练复杂：训练流程不端到端，步骤繁琐。
存储需求大：需要对每个候选框提取特征并存储到硬盘再训练 SVM → 硬盘 I/O 成瓶颈。
候选框依赖外部算法：使用 Selective Search 提供候选区域 → 速度慢且受候选框质量限制。

改进1：特征共享

先对整幅图像一次性运行卷积网络，得到全图的卷积特征图（Feature Map）
用选择性搜索生成候选区域（RoI，Region of Interest）
将其从原始图像坐标映射到特征图坐标，从特征图中直接裁剪出每个候选区域对应的特征。
RoI Pooling ：将任意尺寸的候选区域特征转换为固定尺寸。
- 假设 RoI 在特征图上是 30×20 的区域。我们希望输出 7×7 的特征图。
- 就把这 30×20 的区域划分为 7×7 个小格，每个格子大约 4×3 的大小。
- 在每个小格内做 max pooling（最大池化）。这样无论原来的 RoI 大小是多少，最终都会得到 7×7 的固定大小特征。结果送入全连接层。

改进2：端到端训练

R-CNN分三步训练：CNN 特征提取 → SVM 分类器 → 边框回归器
Fast R-CNN ：图像——卷积——ROI Pooling——全连接层——softmax分类层+边框回归层（修订坐标）
用 Softmax 替代 SVM，实现多分类统一输出。R-CNN输出的是 “是否属于该类” 的决策，Fast R-CNN使用 Softmax 层实现多分类，直接输出所有类别（包括背景）的概率分布。

用一个统一的损失函数同时优化分类和回归任务：

分类损失：采用交叉熵损失，针对每个候选区域（RoI）计算其预测类别概率与真实类别的差异
$_\text{cls} (p,u)=−log p _u$
- $u$ ：真实类别标签（若为背景， $u = 0$ ；若为第k类目标， $u = k$ ）。21 类：20 类目标 + 1 类背景
- $p$ ：Softmax 输出的概率分布， $p_u$ 是预测为真实类别 $u$ 的概率）。
边框回归损失（Bounding Box Regression Loss）：采用平滑 L1 损失（Smooth L1 Loss），仅对 “非背景” 的候选区域计算预测偏移量与真实偏移量的差异
$Lreg(t,t∗)=∑i=14smoothL1(ti−ti∗)L_\text{reg} (t,t^*)=\sum_{i=1}^{4} smooth L1 (t_i−t^*_i)$
- t：回归分支输出的预测偏移量（dx, dy, dw, dh）。
- $t^*$ ：根据候选框与真实框计算的真实偏移量（作为标签）
总损失函数：将分类损失和回归损失加权求和，作为网络的总优化目标
$Loss=Lcls+λ[u≠0]LregLoss=L_\text{cls}+\lambda [u \neq 0] L_{reg}$

四、Faster R-CNN

R-CNN / Fast R-CNN 的瓶颈：依赖传统的选择性搜索生成候选区域，该过程完全独立于神经网络，速度慢。
在这里插入图片描述

改进：区域提议网络（Region Proposal Network）：用 CNN 自己学习生成候选区域，彻底替代了选择性搜索。

输入：整图卷积特征图
Anchor Box锚框：在特征图上滑动一个小网络（3×3 卷积），每个滑动窗口位置预设k个锚框（通常k=9），涵盖 3 种尺度（128×128、256×256、512×512）和 3 种长宽比（1:1、1:2、2:1），适配不同大小和形状的目标。为特征图上的每个位置生成多个候选框。
对每个锚框，RPN 输出两个结果：
- 二分类分数：判断锚框是否包含目标（“前景” 或 “背景”）。
- 边框回归偏移量：修正锚框坐标，使其更接近真实目标。NMS去除冗余候选框
输出：RPN 先通过前景概率阈值过滤掉明显是背景的锚框；对保留的锚框用边框回归修正坐标；NMS去除高度重叠的候选框，最终保留约 300 个高质量的候选区域（坐标对应原始图像）。

四步交替训练：

Step 1: 训练 RPN使用 ImageNet 预训练的 CNN（比如 VGG16、ResNet）初始化。输入图像，训练 RPN 来生成候选区域（anchors 的分类 + 回归）。得到初步的候选框。
Step 2: 训练 Fast R-CNN：用 Step1 的候选框作为训练样本。共享同样的 CNN 特征层，Fast R-CNN 训练分类器和边框回归器。
Step 3: 固定 Fast R-CNN，微调 RPN：把 Fast R-CNN 的卷积层固定住。重新训练 RPN，让它和 Fast R-CNN 更加匹配。
Step 4: 固定 RPN，微调 Fast R-CNN：最后再微调 Fast R-CNN 的参数，使得两个网络达到一致。

四、总结

特性	R-CNN	Fast R-CNN	Faster R-CNN
候选框	Selective Search	Selective Search	RPN（网络生成）
特征提取	每个 RoI 单独	整图共享 CNN	整图共享 CNN
ROI 特征	Warp 到固定大小	ROI Pooling	ROI Pooling
分类/回归	SVM + Linear Regressor	端到端多任务	端到端多任务
训练	三阶段	端到端联合训练	端到端联合训练
速度	很慢	快	更快（≈5 FPS 以上）

R-CNN模型都两阶段（Two-Stage）检测器把任务拆成两步：

候选区域生成（Region Proposals）：找出“可能有目标”的若干候选框；
分类 + 回归（Detection Head）：对每个候选框判别类别并精修边界框。

SSD、YOLO等算法都是one-Stage算法

五、Mask R-CNN

Mask R-CNN 是在 Faster R-CNN 基础上扩展：

它不仅能完成目标检测（定位 + 分类）
在 Faster R-CNN 的基础上增加了一个掩码分支，对每个目标进行像素级的分割。

改进1：RoI Align对齐：用RoI Align替代 RoI Pooling，解决区域特征提取时的量化误差问题。

保留候选框映射到特征图后的浮点坐标（不量化）。RoI pooling会对坐标进行整数量化（如向下取整）
将特征图上的候选区域划分为固定数量的子网格（如 14×14），每个子网格的坐标仍为浮点数。
对每个子网格，通过双线性插值计算 4 个参考点的像素值。
再取最大值（或平均值）作为该子网格的特征值。
详见链接https://cloud.tencent.com/developer/article/1829792

改进2：mask branch：新增掩码分支，用于实现实例分割的关键组件，其核心作用是为每个检测到的目标生成像素级的二进制掩码（binary mask），精准标记出目标在图像中的像素位置。让检测结果从矩形框升级为像素级别的目标轮廓。

输入：RoI Align 处理后的候选区域特征（固定尺寸，如 14×14）
通过一系列反卷积层（上采样操作）将特征图从 14×14 放大到m×m。
输出：一个二值掩码：掩码中每个像素的值为 0 或 1（通过 Sigmoid 激活函数处理），1 表示该像素属于目标，0 表示属于背景。例如，检测到 “猫” 的区域后，掩码分支会生成一个与猫轮廓完全重合的掩码，精准标记出猫的每一个像素。
类特异性掩码（class-specific mask）：掩码分支为每个类别单独生成掩码，即当模型判定某个候选区域属于类别 k 时，仅输出该类别对应的掩码，其他类别的掩码输出会被忽略。若候选区域被分类为 “猫”，则仅生成 “猫” 的掩码，忽略其他类别的掩码输出。

损失函数为三部分之和：
$_\text{cls} +L_\text{box}+L _\text{mask}$