RCNN系列算法优化策略与工业质检案例

本文主要是介绍RCNN系列算法优化策略与工业质检案例，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

Faster R-CNN的过程：
首先对数据进行数据处理，包括水平翻转缩放等得到实际网络需要的输入，然后进入backbone（它可以是resnet50等），得到一个特征图，这个特征图会先进入RPN网络当中，去提取一些候选区域（也叫ROI），接着这些ROI再和这些特征图ROI pooling，或者叫RoI Align操作，提取处RoI对应的特征，最后再将这些提取出来的特征送到BBox Head（也就是第二阶段），进一步的分类和回归。
Faster R-CNN会在两个地方用到NMS：
第一个部分是在RPN生成候选区域（ROI）的时候，它会把RPN输出的分类分支和回归分支与anchor配合起来，先进行一个解码，得到一些候选框，然后再做一些NMS刷选，刷选之后就会得到一些对应的bboxs和score；
第二个部分就是在BBox Head阶段，也就是最后的预测阶段，它会把BBox Head输出的分类分支和回归分支与ROI配合起来，先进行一个解码，得到一些bboxs，然后将其输入到NMS当中。

RPN和BBox是一起训练的。RPN和BBox都会有分类分支和回归分支的loss，最终的loss是这个四个loss的加和，一起去做优化的。

物体框的表示啊，IOU的概念啊，NMS，卷积，池化，BN。

Faster R-CNN的各个模块，其实这些模块都是有一些优化空间的，比如说，数据预处理，也叫数据增强，我们可以加一些颜色增强，随机裁剪等。
RPN也会设计到正负样本的采样，它能不能真正采集到正负样本，这也是有优化空间的。
ROI Align其实就是一个优化策略了，原先是采用的ROI Pooling。
BBox Head是对检测框做进一步的调整，如何更好的调整，也是有提升的空间。
这就隐身到Faster R-CNN的晋升版了。比如下图
在这里插入图片描述 两阶段方法

先使用anchor回归候选框，划分前景和背景
使用候选目标框进一步回归和分类，输出最终目标框和对应的类别。

一、两阶段检测进阶模型

1. FPN–多尺度金字塔

在这里插入图片描述

FPN的解说
FPN实际上要解决的也就是多尺度问题，其实多尺度问题也是所有视觉任务中要解决的一个比较重要的问题。它期望模型能够具备检测不同大小尺度的能力，换言之，怎么在一张图上，检测出大象和老鼠。
可以看一下之前的方式：
首先是金字塔的方式（a图），将图片调整到不同大小的尺度，使用多个模型进行预测，这个方法就十分的耗时，也消耗存储的空间。
b图，它仅使用了最后一层的特征作为检测模型后续部分的输入。这种方式对小物体就不够优化了，因为我们知道，卷积神经网络存在着下采样的过程，比如说特征图的下采样是16，那么特征图的点就代表着原图中1616的小区域，但是如果这个时候，我需要检测小老鼠，它在原图中的大小是1010，这就意味着这张特征图在原图中无法检测这个10*10的小老鼠了。
c图，刚刚也说了，卷积神经存在下采样的过程，这就说明它天然地具备了特征金字塔的结构，什么意思呢，也就是说明了它在不同的深度对应了不同语义层次的特征。就比如说倒数第二个特征层，相比浅层的网络的话，它的分辨率就比较高，学习更多的是细节的特征，而深层的网络（最上面的那个），它的分辨率就比较低，学习更多的是语义特征，或者说是全局的特征。如果这个时候，我有一个小老鼠，我就可以通过浅层的网络去学习了。
d图，FPN，就是将不同层的特征进行一个融合，就希望能够让不同尺度的这个特征都具备一个比较全面的信息。
FPN网络结构

FPN的输入就是骨干网络每一层的输出，然后将每一个特征图进行一个上采样，与上一层特征图进行一个相加，最终得到FPN的输出，具体的关系，如上图左边。其实在yolov3系列网络中就是使用了这种方式。
FPN目标检测实现方法

原先的faster rcnn的骨干网络只输出一张特征图，在骨干网络之后加入FPN网络，此时输出多张特征图，这样的话，RPN和ROI Align就会受到影响，第二阶段BBox Head不变。

FPN结构下的RPN网络

1）Anchor: {3232, 6464, 128128, 256256, 512*512} – > {p2, p3, p4, p5, p6}
FPN的输出层，P2到P6，每一层只生成一种面积的anchor（长宽比不变1:1, 1:2, 2:1）,P6就是P5直接下采样得到的。
说到anchor，就要说到anchor要和真实框去做正负样本的匹配，后面再做采样和监督信息的分配，这个过程和faster rcnn的过程是一样的。
2）RPN网络分为多个head预测不同尺度上的候选框。
RPN网络部分，原先faster RCNN当中，RPN的网络结构，就是输入一个特征图，经过33卷积，再经过一个11卷积，分别得到分类分支和回归分支，然后去计算loss和输出的候选框。如下图。

而现在，有多个输入了，也就是不同尺度的特征图，我就要用多个head去预测不同尺度上的候选框，在这里，这个不同head的权重是共享的。如下图。

3）RPN网络的预测结果和anchor解码得到的RoI会进行合并。
每一个head都会输出一个候选框（ROI）,在FPN下，会将这个多个尺度的ROI进行合并。合并的方法是：先根据他们对应的分数来进行排序(比如说取2000个)，再进入到第二个阶段的网络计算当中。
FPN结构下的RoI Align

如何将ROI分配到不同层级呢？
将FPN的特征金字塔类比为图像金字塔，也就是不同尺度的特征，它就象征着不同大小的输入图像，因此我们就可以考虑这些RoI按面积来分配，分配的方法，就是上面的公式进行计算的。简单来说，我们把大的ROI分到深层的特征去学习，小的ROI分到浅层的特征去学习。

FPN模型效果：
在这里插入图片描述

2. Cascade R-CNN

IoU表示两个检测框之间的重叠程度。
cascade RCNN主要是围绕IOU这个概念来展开的。它能够来评价我们的预测框预测的质量好不好。

正负样本定义规则：

基于Anchor和真实框IoU匹配值
IoU>0.7为正样本，IoU<0.3为负样本
基于Proposals和真实框IoU匹配值
IoU>0.7为正样本，IoU<0.3为负样本

cascade RCNN主要基于RoI和真实框匹配值来展开分析的。
那么IoU选择0.5这个值会不会有点低呢？也就是说，它训练出来的检测器可能会带来一些噪声，就是会产生一些比较多的误检框，那么直观的想法就是把这个0.5提升到0.7，这样的话，进入到第二阶段的RoI质量不就变高了嘛，但是呢，如果只是简单粗暴将这个IoU阈值提高，检测性能是不会提升，反而是下降的，有这么几个原因，第一，IOU值提高了，用于训练的正样本数量是会成指数倍数量减少的，这就会导致我的第二阶段的训练出现过拟合；第二个原因就是，如果使用了一个比较高的IOU阈值，就很容易导致输入的候选框和设定的阈值不匹配的问题，这个不匹配下面将具体分析一下。

Cascade R-CNN的IoU分析
faster RCNN第二阶段，它会学习ROI到真实框的偏移量，然后再通过这个偏移量来提高我们预测框的质量。先看一下下面的左图。横轴就体现了ROI和真实框的质量怎么样。纵轴就体现了最终的预测框的质量。自然希望纵轴的值是越高越好的。
Cascade R-CNN网络结构
Cascade R-CNN模型效果

3. Libra R-CNN

检测中的不平衡问题
Libra R-CNN的特征融合
Libra R-CNN的采样策略

比如说，我们需要20个负样本，假如说这些负样本的阈值都是大于0.1的，那么我们的负样本的范例就读再0.1到0.5之间，然后我期望采集6个负样本，就根据iou分为两个桶，一个是0.1到0.3一个桶，0.3到0.5一个桶，然后属于每个桶的随机采样。有可能存在一个情况，就是出现某个桶的数据不足，就需要在低于这个阈值（0.1）的样本中随机采样补齐。
Libra R-CNN的回归损失函数

主要是在回归损失的优化。
Libra R-CNN效果

二、两阶段检测进阶模型优化策略

在这里插入图片描述

1. 服务器端模型优化策略

服务器端模型优化基线方案

AutoAugment，这里就是通过强化学习来作为搜素的方法，去搜出，针对这个任务而言，常用的数据预处理的操作和选择顺序是最有效的。
backbone：可变性卷积的思想就是让卷积核多学习一个偏移量，然后卷积核落到更感兴趣的区域当中；半监督知识蒸馏的方式，是在我们图像分类中应用的，提高精度。
RPN：
Iou Loss，直接将预测结果，也就是预测框和真实框的IOU的值直接作为回归分支的损失函数。
CIou Loss，考虑到了物体间的中心点的距离和长宽比，这样就更有效了表达了预测结果的质量了。
服务器端模型优化效果