關於影像辨識，所有你應該知道的深度學習模型
Computer vision object detection models: R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN, YOLO
Computer vision object detection models: R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN, YOLO
這篇是簡介一些用來辨識影像中物體的 AI 模型。
在前面有提到，透過 CNN 模型，你可以輸入一張圖片，得到該圖片屬於哪種類別的結果，這過程我們把他稱作分類 (Classification)。
但在真實世界的應用情境通常要從一張圖片中辨識所有出現的物體， 並且標示出位置來 (標出位置稱之為 Object Localization)。你一定在網路上看過類似底下的影片，這段影片可以看出中國閉路攝影機(CCTV)發展的概況，不只是可以框出影像中每個物件，辨別物件種類，偵測出移動物體的動量，甚至是人臉辨識，實現楚門世界的惡夢。要做到這就需要靠深度學習中的 Object Detection 演算法，這也是最近幾年來深度學習最蓬勃發展的一塊領域。
基本的想法是，既然 CNN 對於物體的分類又快又好，那我們可不可以拿 CNN 來掃描並辨識圖片中的任何物體？ 答案當然是 — 可以。
最簡單的作法就是用 Sliding Windows 的概念，也就是用一個固定大小的框框，逐一的掃過整張圖片，每次框出來的圖像丟到 CNN 中去判斷類別。由於物體的大小是不可預知的，所以還要用不同大小的框框去偵測。但是 Sliding Window 是非常暴力的作法，對單一影像我們需要掃描非常多次，每掃一次都需要算一次 CNN，這將會耗費大量的運算資源，而且速度慢，根本無法拿來應用！
所以後來就有人提出了 R-CNN (Regions with CNN)
R-CNN
與其用 Sliding Window 的方式掃過一輪，R-CNN 的作法是預先篩選出約 2000 個可能的區域，再將這 2000 區域個別去作分類，所以他的演算法流程如下：
- 產生一群約 2000 個可能的區域 (Region Proposals)
- 經由一個預先訓練好的 CNN 模型如 AlexNet 擷取特徵，將結果儲存起來。
- 然後再以 SVM (Support Vector Machine) 分類器來區分是否為物體或者背景。
- 最後經由一個線性回歸模型來校正 bounding box 位置。
Selective Search
R-CNN 用來篩選 Region Proposals 的方法稱之為 Selective Search ，而 Selective Search 又是基於 Felzenszwal 於 2004 年發表的論文 Graph Base Image Segmentation。
圖像經由 Graph Base Image Segmentation 可以切出數個 Segment 來，如下圖：
而 Selective Search 的作法是將 Segment 的結果先各自畫出 bounding box，然後以一個迴圈，每次合併相似度最高的兩個 box，直到整張圖合併成單一個 box 為止，在這過程中的所有 box 便是 selective search 出來的 region proposals。Selective Search 的演算法如下：
但是 R-CNN 存在一些問題，速度仍然不夠快：
- R-CNN 一開始必須先產生約 2000 個區域，每個區域都要丟進 CNN 中去擷取特徵，所以需要跑過至少 2000 次的 CNN
- R-CNN 的 model 是分開成三部份，分別是用來取出特徵的 CNN，分類的 SVM，以及優化 bounding box 的線性回歸。所以 R-CNN 不容易作訓練。
所以 R-CNN 的其中一個作者 Ross Girshick (RBG 大神) 在 2015 年又提出了一個改良版本，並稱之為 Fast R-CNN
Fast R-CNN
Fast R-CNN 的想法很簡單，在 R-CNN 中，2000 多個區域都要個別去運算 CNN，這些區域很多都是重疊的，也就是說這些重疊區域的 CNN 很多都是重複算的。所以 Fast R-CNN 的原則就是全部只算一次 CNN 就好，CNN 擷取出來的特徵可以讓這 2000 多個區域共用！
Fast R-CNN 採用的作法就是 RoIPooling (Region of Interest Pooling)。
RoIPooling
Fast RCNN 一樣要預選 Region proposals，但是只做一次 CNN。在跑完 Convolution layers 的最後一層時，會得到一個 HxW 的 feature map，同時也要將 region proposals 對應到 HxW 上，然後在 feature map 上取各自 region 的 MaxPooling，每個 region 會得到一個相同大小的矩陣 (例如 2x2)。
然後各自連接上 FC 網路，以及 softmax 去作分類。在分類的同時也作 bounding box 的線性回歸運算。
Fast RCNN 的優點是：
- 只需要作一次 CNN，有效解省運算時間
- 使用單一網絡，簡化訓練過程
Faster R-CNN
不管是 R-CNN 還是 Fast R-CNN 都還是要先透過 selective search 預選 region proposals，這是一個緩慢的步驟。在 2015 年時，Microsoft 的 Shaoqing Ren, Kaiming He, Ross Girshick, 以及 Jian Sun 提出了 Faster R-CNN ，一個更快的 R-CNN。
Faster R-CNN 的想法也很直覺，與其預先篩選 region proposals，到不如從 CNN 的 feature map 上選出 region proposals。
Region Proposal Network
RPN (Region Proposal Network) 也是一個 Convolution Network，Input 是之前 CNN 輸出的 feature map，輸出是一個 bounding box 以及該 bounding box 包含一個物體的機率。
RPN 在 feature map 上取 sliding window，每個 sliding window 的中心點稱之為 anchor point，然後將事先準備好的 k 個不同尺寸比例的 box 以同一個 anchor point 去計算可能包含物體的機率(score)，取機率最高的 box。這 k 個 box 稱之為 anchor box。所以每個 anchor point 會得到 2k 個 score，以及 4k 個座標位置 (box 的左上座標，以及長寬，所以是 4 個數值)。在 Faster R-CNN 論文裡，預設是取 3 種不同大小搭配 3 種不同長寬比的 anchor box，所以 k 為 3x3 = 9 。
經由 RPN 之後，我們便可以得到一些最有可能的 bounding box，雖然這些 bounding box 不見得精確，但是透過類似於 Fast RCNN 的 RoIPooling， 一樣可以很快的對每個 region 分類，並找到最精確的 bounding box 座標。
Mask R-CNN
前述幾個方法都是在找到物體外圍的 bounding box，bounding box 基本上都是方形，另外一篇有趣的論文是 Facebook AI researcher Kaiming He 所提出的 Mask R-CNN ，透過 Mask R-CNN 不只是找到 bounding box，可以做到接近 pixel level 的遮罩 (圖像分割 Image segmentation)。
要了解 Mask R-CNN 如何取遮罩，要先看一下 FCN (Fully Convolutional Network)
FCN (Fully Convolutional Network) for Image Segmentation
有別於 CNN 網絡最後是連上一個全連接(Fully Connected)的網絡，FCN (Fully Convolutional Network)最後接上的是一個卷積層。一般的 CNN 只能接受固定大小的 Input，但是 FCN 則能接受任何大小的 Input，例如 W x H 。
在 CNN 的過程中會一直作 downsampling，所以 FCN 最後的輸出可能為 H/32 x W/32，實際上得到的會是一個像 heapmap 的結果。但是由於這過程是 downsampling，所以 Segment 的結果是比較粗糙，為了讓 Segment 的效果更好，要再做 upsampling，來補足像素。upsamping 的作法是取前面幾層的結果來作差補運算。
Mask R-CNN 是建構於 Faster R-CNN 之上，如果是透過 RoIPooling 取得 Region proposals 之後，針對每個 region 會再跑 FCN 取得遮罩分割，但是由 於 RoIPooling 在做 Max pooling 時，會使用最近插值法(Nearest Neighbor Interpolation)取得數值，所以出來的遮罩會有偏移現象，再加上 pooling 下來的結果，會讓 region 的尺寸出現非整數的情況，然後取整數的結果就是沒辦法做到 Pixel 層級的遮罩。所以 Mask R-CNN 改採用雙線性插值法(Bilinear Interpolation)來改善 RoIPooling，稱之為 RoIAlign，RoIAlign 會讓遮罩位置更準確。
YOLO: You Only Look Once
YOLO 有個很討喜的名字，取自 You Only Live Once，但用在 Object detection 上則為 You only look once，意思是說 YOLO 模型的特性只需要對圖片作一次 CNN 便能夠判斷裡面的物體類別跟位置，大大提升辨識速度。
R-CNN 的概念是先提出幾個可能包含物體的 Region proposal，再針對每個 region 使用 CNN 作分類，最後再以 regression 修正 bounding box 位置，速度慢且不好訓練。YOLO 的好處是單一網路設計，判斷的結果會包含 bounding box 位置，以及每個 bounding box 所屬類別及概率。整個網路設計是 end-to-end 的，容易訓練，而且速度快。
- YOLO 速度快，在 Titan X GPU 上可以達到每秒 45 禎的速度，簡化版的 YOLO 甚至可以達到 150 fps 的速度。這意味著 YOLO 已經可以對影像作即時運算了。準確度 (mAP) 也狠甩其他深度學習模型好幾條街。看看底下 YOLO2 的 demo 視頻，這偵測速度會嚇到吃手手了
2. 有別於 R-CNN 都是先提 region 再做判斷，看的範圍比較小，容易將背景的 background patch 看成物體。YOLO 在訓練跟偵測時都是一次看整張圖片，背景錯誤偵測率 (background error, 抑或 false positive) 都只有 Fast R-CNN 的一半。
3. YOLO 的泛用性也比 R-CNN 或者 DPM 方式來得好很多，在新的 domain 使用 YOLO 依舊可以很穩定。
YOLO 的概念是將一張圖片切割成 S x S 個方格，每個方格以自己為中心點各自去判斷 B 個 bounding boxes 中包含物體的 confidence score 跟種類。
confidence score = Pr(Object) * IOU (ground truth)
如果該 bounding box 不包含任何物體 (Pr(Object) = 0)，confidence score 便為零，而 IOU 則為 bounding box 與 ground truth 的交集面積，交集面積越大，分數越高。
每個方格預測的結果包含 5 個數值，x 、y 、w 、 h 跟 confidence，x 與 y 是 bounding box 的中間點，w 與 h 是 bounding box 的寬跟高。
YOLO 的網路設計包含了 24 個卷積層，跟 2 層的 FC 網絡。
另外一個版本的 YOLO Fast 則只有 9 個卷積層，不過最後的輸出都是 7x7x30 的 tensor。
YOLO 的缺點
- 由於 YOLO 對於每個方格提兩個 bounding box 去作偵測，所以不容易去區分兩個相鄰且中心點又非常接近的物體
- 只有兩種 bounding box，所以遇到長寬比不常見的物體的檢測率較差
YOLO 與其他模型的比較
YOLO2
YOLO2 建構於 YOLO 之上，但是有更好的準確度，更快速的判斷速度，能夠判斷更多的物件種類(多達 9000 種)，所以是更好(Better)、更快(Faster)、更強大(Stronger)！
YOLO2 採用了許多改善方式，例如 batch normalization、anchor box 等，使用了這些改良方式讓 YOLO2 不管在辨識速度還是準確率上都有了提升，此外對於不同圖檔大小也有很好的相容性，提供了在速度與準確性上很好的平衡，所以也很適合運用在一些便宜的 GPU 或者 CPU 上，依舊提供水準以上的速度與準確率。
結語
物體辨識 (Object detection) 的進展飛快，為了整理這篇大概也看了七八篇論文，還有很多都還沒涵蓋到的，例如 SSD (Single Shot Mulitbox Detector)。如果想更了解 AI 在 Computer Vision 最近幾年的發展，也可以參考這篇搜文 A Year in Computer vision，內容涵蓋了 Classification、Object detection、Object tracking、Segmentation、Style transfer、Action recognition、3D object、Human post recognition 等等，看完會大致知道在 Computer Vision 中有哪些 AI 所做的努力，以及各自的進展。
Google 的 Tensorflow 也有提供 Object detection API ，透過使用 API ，不用理解這些模型的實作也能快速實作出速度不錯涵蓋率又廣的 object detection。
會寫這篇純粹是我自己也想多了解這些不同模型的差異，下一篇文章說明怎麼在 iOS 上用 CoreML 實踐 YOLO2 演算法。
覺得我寫的還可以
請幫我拍手三下 👏👏👏如果想要給我更多鼓勵
可以給我更多的拍手 👏👏👏👏👏👏👏👏
感恩 🙏🙏
