2017-ICCV-Mask R-CNN

时间  2021-01-06 标签 CNN DeepLearning Instance Segment Object Detection Classification

本周组会讲Mask R-CNN，借此机会把目标检测R-CNN系列的论文都整理了一遍，除了paper外，主要参考网上的一些博客，如有侵权，请告知，在此十分感谢。

文中如有错误，请积极指出，一起学习，共同进步。

相关论文链接：

R-CNN → SPP Net → Fast R-CNN → Faster R-CNN → Mask R-CNN

YOLO、SSD

FCN、FPN、MNC、FCIS

关于YOLO可参考本人另一篇博客2016-CVPR-YOLO

github代码：

pytorch-faster-rcnn

tensorflow-mask-rcnn

Introduction

Ross Girshick大神：
从DPM，R-CNN，fast R-CNN，faster R-CNN，到mask R-CNN，垄断object detection近10年。

Kaiming He大神：
ResNet系列基本搞定了Image classification。

现在两人联手，开始攻克Instance Segmentation。

Mask R-CNN在不加任何 trick 的情况下超过各种数据增强加持下的 COCO 2016 分割挑战的冠军 FCIS。

Mask R-CNN ICCV 2017 best paper

Scene understanding

这里写图片描述

Image classification：图像分类，识别出图中的物体类别

Object detection：目标检测，既要识别出图中的物体，又要知道物体的位置，即图像分类+定位

Semantic segmentation：语义分割，除了识别物体类别与位置外，还要标注每个目标的边界，但不区分同类物体，将物体进行像素级别的分割提取

Instance segmentation：实例分割，除了识别物体类别与位置外，还要标注每个目标的边界，且区分同类物体，将物体进行像素级别的分割提取

Mask R-CNN: Motivation and goals

Mask R-CNN的三个目标：

  1. 视觉场景理解的多任务模型的状态: 同时满足目标检测、分类及实例分割的要求
  2. 高度模块化，训练简单，相对于Faster R-CNN仅增加一个小的overhead，可以跑到5FPS
  3. 可以方便的扩展到其他任务，比如人体姿态估计等

R-CNN

这里写图片描述

步骤：

  1. 训练（或下载）一个分类模型（比如AlexNet）
  2. 对模型进行fine-tuning：
    1. 将分类数1000改为21（有一个类别是背景）
    2. 去掉最后一个全连接层
  3. 特征提取：
    1. 利用selective search算法在图像中从上到下提取约2k个候选区域
    2. 将每个候选区域wrap成 224∗224 的大小以适合CNN的输入，做一次前向传播，将CNN的fc7层的输出作为特征，保存到硬盘
  4. 训练一个SVM分类器来判断这个候选框里物体的类别，每个类别对应一个SVM，判断是否属于这个类别，是就是positive，反之就是nagative
  5. 使用SVM分好类的候选区域做边框回归，用bounding box 回归值校正

该方法在VOC 2011 test数据集上取得了71.8%的检测精度。

Selective search：

这个策略借助了层次聚类的思想，应用到区域的合并上面。

  1. 假设现在图像上有n个预分割的区域（Efficient Gragh-Based Image Segment），表示为 R=R1,R2,…,Rn
  2. 计算每个region与它相邻region的相似度，这样会得到一个 n∗n 的相似度矩阵（同一个区域之间和不相邻区域之间的相似度可设为NaN），从矩阵中找出最大相似度值对应的两个区域，将这两个区域合二为一，这时图像上还剩下n-1个区域
  3. 重复上述过程（只需计算新的区域与它相邻区域的新相似度，其他的不用重复计算），重复一次，区域的总数目就少1，直到最后所有的区域都合并成为了同一个区域

img

缺点：

  1. 训练和测试过程分为多个阶段，步骤繁琐：微调网络，得到候选区域，CNN提取特征，SVM分类，SVM边界框回归
  2. 训练耗时，占用磁盘空间大，5000张图像产生几百G的特征文件
  3. 测试过程中，每一个候选区域都要提取一遍特征，这些区域有一定重叠度，各个区域的特征提取独立计算，效率不高，使测试一幅图像非常慢
  4. SVM和回归是事后操作，在SVM和回归过程中CNN特征没有被学习更新

因此，把R-CNN的缺点改掉，就成了Fast R-CNN。

Fast R-CNN

这里写图片描述
Fast R-CNN在R-CNN的基础上采纳了SPP Net方法，对R-CNN作了改进。使用VGG-19网络架构比R-CNN在训练和测试时分别快了9倍和213倍。

步骤：

  1. 输入测试图像
  2. 利用selective search算法在图像上从上到下提取约2k个候选区域
  3. 将整张图片输入CNN，进行特征提取，得到feature map
  4. 把候选区域映射到CNN的最后一层卷积feature map上
  5. 通过RoI pooling层使每个候选区域生成固定尺寸的feature map
  6. 利用Softmax loss（探测分类概率）和Smooth L1 Loss（探测边框回归）对分类概率和边框回归（Bounding box regression）联合训练

相比R-CNN，两处改进：

  1. CNN最后一层卷积层后加了一个RoI pooling层，可以看做单层SPP Net的网络层，可以把不同大小的输入映射到一个固定尺寸的特征向量。
  2. 在R-CNN中是先用SVM分类器，再做bbox regression，而在Fast R-CNN中，损失函数使用了multi-task loss，将bbox regression直接加入到CNN网络中训练，并且实验证明这两个任务能够共享卷积特征，相互促进。

Faster R-CNN

这里写图片描述
步骤：

  1. 输入测试图像
  2. 将整张图片输入CNN，进行特征提取
  3. 用RPN生成候选区域，每张图片生成300个候选区域
  4. 把候选区域映射到CNN的最后一层卷积feature map上
  5. 通过RoI pooling层使每个RoI生成固定尺寸的feature map
  6. 利用Softmax loss（探测分类概率）和Smooth L1 Loss（探测边框回归）对分类概率和边框回归（Bounding box regression）联合训练

相比Fast R-CNN，两处改进：

  1. 使用RPN（Region Proposal Network）代替原来的Selective Search方法产生候选区域，使得检测速度大幅提高
  2. 产生候选区域的CNN和目标检测的CNN共享，候选区域的质量也有本质的提高

Mask R-CNN

这里写图片描述

Mask R-CNN实际上就是Faster R-CNN + Mask branch，RoIAlign的结果。

相比Faster R-CNN，两处改进：

  1. 把Faster R-CNN里的RoIPool layer改为RoIAlign layer
  2. 最后多了一个mask branch

RPN

这里写图片描述
RPN是一个全卷积网络，由于没有全连接层，所以可以输入任意分辨率的图像，经过网络后就得到一个feature map，然后利用这个feature map得到物体的位置和类别。

那么，怎么利用这个feature map得到物体的位置和类别呢？

在conv5-3的卷积feature map上用一个 n∗n(n=3) 的滑动窗口（sliding window）生成一个256维（ZFNet）或512维（VGGNet）长度的全连接特征，然后在这个特征后产生两个分支的全连接层：

  1. Reg-layer，用于预测proposal的中心锚点对应的proposal的坐标x，y和宽高w，h
  2. cls-layer，用于判定该proposal是前景还是背景

Anchor：

  1. 把得到的feature map上的每一个点映射回原图，得到原图上这些点的坐标
  2. 在这些点周围取一些提前设定好的区域用来训练RPN，这些区域就叫做Anchor boxes

anchor（锚点），位于 n∗n 的滑动窗口的中心处，对于一个滑动窗口，可以同时预测k个候选区域，即k个anchor boxes，每个anchor box可以用一个scale，一个aspect_ratio和滑动窗口中的anchor唯一确定。论文中定义k=9，即3种scales（比如 1282,2562,5122 ）和3种aspect_ratio（比如 1:1,1:2,2:1 ）确定出当前滑动窗口处对应的9个anchor boxes， 2∗k 个cls-layer的输出和 4∗k 个reg-layer的输出。对于一幅 W∗H 的feature map，对应 W∗H∗k 个anchor boxes。所有的anchors都具有尺度不变性。

IoU：

在计算Loss值之前，作者设置了anchors的标定规则：

  1. 如果anchor对应的anchor box与ground truth的IoU最大，标记为正样本
  2. 如果anchor对应的anchor box与ground truth的IoU>0.7，标记为正样本
  3. 如果anchor对应的anchor box与ground truth的IoU<0.3，标记为负样本
  4. 剩下的既不是正样本也不是负样本，不用于最终训练
  5. 训练RPN的Loss是由classification loss（即softmax loss）和regression loss（即L1 loss）按一定比重组成的

Loss functions：

计算softmax loss需要的是anchors对应的groudtruth标定结果和预测结果，计算regression loss需要三组信息：

  1. 预测框proposal region：即RPN网络预测出的proposal的中心位置坐标x，y和宽高w，h
  2. Anchor box：1个anchor对应9个不同的scale和aspect_ratio的anchor boxes，每一个box都有一个中心点位置坐标 xa,ya 和宽高 wa,ha
  3. Ground truth：标定的框也对应一个中心点位置坐标 x∗,y∗ 和宽高 w∗,h∗

因此，计算regression loss和总loss算法如下：

tx=(x−xa)/wa,ty=(y−ya)/hatw=log(w/wa),th=log(h/ha)t∗x=(x∗−xa)/wa,t∗y=(y∗−ya)/hat∗w=log(w∗/wa),t∗h=log(h∗/ha)L({pi},{ti})=1Ncls∑iLcls(pi,p∗i)+λ1Nreg∑ip∗iLreg(ti,t∗i)

RPN训练设置：

  1. 在训练RPN时，一个mini-batch是由一幅图像中任意选取的256个proposal组成的，其中正负样本的比例为1：1
  2. 如果正样本不足128，则多用一些负样本以满足256个proposal可以用于训练，反之亦然
  3. 训练RPN时，与VGG共有的层参数可以直接拷贝经ImageNet训练得到的模型中的参数；剩下没有的层参数用标准差=0.01的高斯分布初始化

缺点：

RPN关键在于选取了一些anchor进行pixel-wise的学习，但问题就是对小物体的检测效果很差，假设输入为 512∗512 ，经过网络后得到的feature map是 32∗32 ，那么每一个feature map上的一个点都要负责周围至少是 16∗16 的一个区域的特征表达，那对于在原图上很小的物体它的特征就难以得到充分的表示，因此检测效果比较差。

RoIPool(Fast R-CNN)

在Fast R-CNN和Faster R-CNN中用到的RoI pooling层，其实是借鉴了SPP Net中的思想，所以在介绍RoIPool前，先了解一下SPP Net。

SPP Net：（Spatial Pyramid Pooling，空间金字塔池化）

  1. 结合空间金字塔方法实现CNNs的多尺度输入：

    R-CNN提取候选框后需要进行crop和wrap来修正尺寸，这样会造成数据的丢失或几何的失真。SPP Net将金字塔思想加入到CNN，在卷积层和全连接层之间加入SPP layer，SPP layer中每一个pooling的filter会根据输入调整大小，而SPP的输出尺度始终是固定的。

    img

    如果原图输入是 224∗224 ，对于conv5出来后的输出，是 13∗13∗256 ，即256个filter，每个filter对应一张 13∗13 的activation map。如果像上图那样将activate map pooling成 4∗4,2∗2,1∗1 三张子图，做max pooling后，出来的特征就是固定长度的 (16+4+1)∗256 那么多维度了。如果原图的输入不是 224∗224 ，出来的特征依然是 (16+4+1)∗256 ；可以理解成将原来固定大小为 3∗3 窗口的pool5改成了自适应窗口大小，窗口的大小和activation map成比例，保证了经过pooling后出来的feature的长度是一致的。

  2. 只对原图提取一次卷积特征：

    在R-CNN中，每个候选框resize后都要独立经过CNN，这样很低效。SPP Net只对原图进行一次卷积得到整张图的feature map，然后找到每个候选框在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 layer和之后的层，这样节省了大量时间，比R-CNN快了100倍左右。

RoI Pool：

Fast R-CNN中使用RoIPool将不同大小的候选区域的特征转化为固定大小的特征图像，其做法是：假设候选区域RoI大小为 h∗w ，要输出的大小为 H∗W ，那么就将RoI分成 (h/H)∗(w/W) ，然后对每一个格子使用max-pooling得到目标大小的特征图像。

RoI pooling layer实际上是SPP Net的一个精简版，SPP Net对每个proposal使用了不同大小的金字塔映射，而RoI pooling layer只需要下采样到一个 7∗7 的特征图。对于VGG-16的网络conv5_3有512个特征图，这样所有region proposal对应了一个 7∗7∗512 维度的特征向量作为全连接层的输入

RoI Pooling就是实现从原图区域映射到conv5区域最后pooling到固定大小的功能。

RoIAlign(Mask R-CNN)

对于每个RoI使用一个FCN来预测 m∗m mask。 m∗m 是一个小的特征图尺寸，如何将这个小的特征图很好的映射到原始图像上？Faster R-CNN不是为网络输入和输出之间的像素到像素对齐而设计的，应用到目标上的核心操作的是粗略的空间量化特征提取，RoIPool不适用于图像分割任务，为了修正错位，Mask R-CNN提出了一个简单的，量化无关的层，称为RoIAlign，可以保留精确的空间位置。

RoIAlign：

RoIPool是从每个RoI提取小特征图（例如， 7∗7 ）的标准操作，RoIPool首先将浮点数值的RoI量化成离散颗粒的特征图，然后将量化的RoI分成几个空间的小块（spatial bins），最后汇总每个块覆盖的区域的特征值（通常使用最大池化）。例如，对在连续坐标系上的 x 计算 [x/16] ，其中 16 是feature map的stride， [.] 表示四舍五入。同样地，当对RoI分块时（例如 7∗7 ）时也执行同样的计算。这样的计算让RoI与提取的特征错位。虽然这可能不会影响分类，因为分类对小幅度的变换具有一定的鲁棒性，但它对预测像素级精确的掩码有很大的负面影响。

为了解决RoIPool量化引入的问题，提出RoIAlign层，将提取的特征和输入准确对齐。改进：避免对RoI的边界或bins进行量化（避免四舍五入，取 x/16 ）。使用双线性插值精确计算每个位置的精确值，并将结果汇总（使用最大池化或平均池化）。

双线性插值：

双线性插值

如图，已知Q12，Q22，Q11，Q21，但是要插值的点为P点，这就要用双线性插值了，首先在x轴方向上，对R1和R2两个点进行插值，这个很简单，然后根据R1和R2对P点进行插值，这就是所谓的双线性插值。

Class prediction & box regression

这里写图片描述

Segmentation

这里写图片描述

解耦掩码和分类至关重要：

定义 Lmask 方式使得网络生成每个类别的mask不会受到类别竞争影响，解耦了mask和类别预测。这与通常FCN应用于像素级Softmax和多重交叉熵损失的语义分段的做法不同。在这种情况下，掩码将在不同类别之间竞争。而在mask R-CNN中，使用了其他方法没有的像素级的Sigmoid和二进制损失。

  1. 全卷积：因为要保存空间信息，所以没有用全连接层把feature map变成向量，而是用全卷积输出m*m的mask。
  2. 掩码分支对于每个RoI的输出维度是 K∗(m∗m) ，表示k个分辨率为 m∗m 的二值掩码，每个类别1个，k是类别数目。为每个类独立地预测二进制掩码，这样不会跨类别竞争，并且依赖于网络的RoI分类分支来预测类别
  3. 为每个像素应用 sigmiod，将 Lmask 定义为平均二进制交叉熵损失。对于真实类别为k的RoI，仅在第k个掩码上计算 Lmask （其他掩码输出不计入损失）

Experiments

Dataset & metrics

这里写图片描述

Related methods: MNC

这里写图片描述

MNC：

Multi Network Cascade 多任务网络级联，COCO 2015分割挑战的冠军

一个复杂的多级级联模型，从候选框中预测候选分割，然后进行分类。

Related methods: FCIS

这里写图片描述

FCIS：

fully convolutional instance segmentation 全卷积实例分割，COCO 2016分割挑战的冠军

用全卷积得到一组位置敏感的输出通道候选。这些通道同时处理目标分类，目标检测和掩码，这使系统速度变得更快。但FCIS在重叠实例上出现系统错误，并产生虚假边缘。

以下实验部分请参考论文。

Segmentation results

Detection results

Ablation experiments

Human pose estimation

Wrap up

这里写图片描述

Mask R-CNN head architectures

这里写图片描述

网络架构：

为了证明这个方法的普适性，论文中构造了多种不同的Mask R-CNN。

  1. 用于整个图像上的特征提取的下层卷积网络（ResNet，FPN）
  2. 用于检测框识别（分类和回归）和掩码预测的上层网络

对于上层网络，扩展了ResNet和FPN中提出的Faster R-CNN上层网络，分别添加了一个掩码分支。图中数字表示分辨率和通道数，箭头表示卷积、反卷积或全连接层，其中卷积减小维度，反卷积增加维度，所有卷积都是 3∗3 ，除了输出层是 1∗1 的，反卷积是 2∗2 ，stride为2，隐藏层使用ReLU。res5表示ResNet的第五阶段，图中修改了第一个卷积操作，使用 7∗7 ，步长为1的RoI代替 14∗14 ，步长为2的RoI。下图中的” ×4 ”表示堆叠的4个连续的卷积。

ResNet-C4的上层网络包括ResNet的第五阶段（即9层的“res5”），对于FPN，下层网络已经包含了res5，因此可以使上层网络包含更少的卷积核而变的更高效。

Feature Pyramid Network

这里写图片描述
FPN：

Feature Pyramid Network 特征金字塔网络

FPN使用具有横旁路连接的自顶向下架构，以从单尺度输入构建网络中的特征金字塔。使用FPN的Faster R-CNN根据其尺度提取不同级别的金字塔的RoI特征，不过其他部分和平常的ResNet类似。使用ResNet-FPN进行特征提取的Mask R-CNN可以在精度和速度方面获得极大的提升。

参考博客（如有侵权请告知）

基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN

目标检测方法简介:RPN(Region Proposal Network) and SSD(Single Shot MultiBox Detector)

CNN目标检测（一）：Faster RCNN详解

深度卷积神经网络在目标检测中的进展

faster-rcnn原理及相应概念解释

目标检测分割–Mask R-CNN

Mask R-CNN论文翻译

三十分钟理解：线性插值，双线性插值Bilinear Interpolation算法

文中插图来源：

maskrcnn_slides.pdf

联系我们 沪ICP备13005482号-10