神经网络（十七）RCNN及其变体的概述

一、RCNN算法

        RCNN的实质是在图像输入CNN之前将其划分为数个特征区域。传统的方法有滑窗法、Selective Search（选择搜索）。

        Selective Search首先会通过sub-分割将图片分为多个区域；然后基于颜色、结构、尺寸、形状等信息将相似的区域聚合。一般会生成大于20k个region proposal（候选区域）

                                ​​​​​​​        

         1.基本结构

                标准RCNN算法由以下四个结构组成

         2.优缺点

                优点：①精度相对较高        ②将CNN引入目标检测

                缺点：①训练步骤繁琐（需要同时训练CNN网络，SVM分类器和线性回归器）

                           ②候选区域会产生大量特征文件，占用资源，降低运算速度

                           ③CNN提取特征的速度较慢

                           ④最后使用SVM进行分类，无法实现end-to-end的训练

                           ⑤由于CNN中有全连接层，要求输入尺寸一致，需要对候选区域进行warp

二、Fast RCNN

        相较于RCNN，Fast RCNN在以下几点取得了突破：

                ①训练速度（9倍）和测试速度（200倍）大大提升

                ②无需使用SVM分类器

        与RCNN相比，其结构主要有以下改变

                ①使用softmax替代了SVM

                ②引入了多任务函数边框回归（bbox regressor），除Selective Search阶段外实现了end-to-end

                ③引入RoI Pooling（一层SPP），对输入图像没有了限制

        1.基本结构

                Fast RCNN对整张图片仅需进行一次CNN，生成兴趣区域后再利用ROI池化对区域进行调整；相较于RCNN中需要对2k多候选区域都进行CNN计算快了很多倍。

         2.存在的不足

                第一次卷积层在搜索兴趣区域时需要一个2秒左右的时间，速度较慢。

三、Faster RCNN

        Faster RCNN使用Region Proposal网络(RPN)替代Fast RCNN中使用CNN进行兴趣区域检索的功能。RPN以图像特征映射（由卷积层生成）作为输入，生成一系列object proposal，它们每一个都有对应的分数。

        1.基本结构

         2.关于RPN网络

                RPN在图像特征映射上使用一个滑动窗口，每个窗口均会生成不同形状、尺寸的k个anchor box。

                对于anchor box，PRN网络会预测其两点：

                        ①其就是目标物体的概率（小概率）

                        ②经过调整能更合适目标物体的边界框回归量

                将这些边界框传入RoI，将每个proposal进行切割，使其都含有目标物体；最后，这些特征映射会传递到全连接层，对目标进行分类并预测边界框。

        3.存在的问题

                网络并不是一次性浏览所有图像，而是关注图像的多个部分，所以会造成以下情况：

                        ①需要多个步骤才能提取到所有目标

                        ②由于可能出现多个嵌套，系统性能可能取决于前面步骤的表现水平。