【目标检测】【边界框回归】Bounding-Box regression

最近开始看目标检测的论文，第一篇为R-CNN论文，是两阶段目标检测的开山奠基之作。论文中的损失函数包含了边界框回归，且在R-CNN论文里面有详细的介绍。

一、为什么要做边界框回归？

对于上图，绿色的框表示Ground Truth，红色的框为Selective Search提取的Region Proposal。那么即便红色的框被分类器识别为飞机，但是由于红色的框定位不准（IoU<0.5），那么这张图相当于没有正确的检测出飞机。

这时，我们可以对红色的框进行微调，使得微调后的窗口跟Ground Truth更接近，这样就能实现较为准确的定位。

而Bounding-Box regression就是用来微调这个窗口的。

二、边界框回归是什么？

对于窗口，我们一般用四维向量$(x,y,w,h)$来表示，分别表示窗口的中心点坐标和宽高。

红色的框$P$代表原始的Proposal, 绿色的框 $G$ 代表目标的Ground Truth， 我们的目标是寻找一种关系使得输入原始的窗口$P$经过映射得到一个跟真实窗口$G$更接近的回归窗口$\hat{G}$。

边框回归的目的既是：给定$(P_x,P_y,P_w,P_h)$寻找一种映射$f$，使得$f(P_x,P_y,P_w,P_h)=({\hat{G}}_x,{\hat{G}}_y,{\hat{G}}_w,{\hat{G}}_h)$并且$({\hat{G}}_x,{\hat{G}}_y,{\hat{G}}_w,{\hat{G}}_h)\approx (G_x,G_y,G_w,G_h)$。

三、边界框回归怎么做的？

那么经过何种变换才能从图中的窗口 P 变为窗口$\hat{G}$呢？比较简单的思路就是: 平移+尺度放缩。

第一步：先做平移$({\Delta }_x,{\Delta }_y)$

其中：${\Delta }_x=P_w{d}_x(P)$，${\Delta }_y=P_h{d}_y(P)$，这是R-CNN论文里面的：
$${\hat{G}}_x=P_w{d}_x(P)+P_x$$
$${\hat{G}}_y=P_h{d}_y(P)+P_y$$

第二步：做尺度缩放$(S_w,S_h)$

$S_w=exp(d_w(P))$，$S_h=exp(d_h(P))$，对应的论文中：
$${\hat{G}}_w=P_{w}exp(d_w(P))$$
$${\hat{G}}_h=P_{h}exp(d_h(P))$$
观察上面的等式我们不难发现，边界框回归学习就是$d_x(P),d_y(P),d_w(P),d_h(P)$这四个变换。下一步就是设计算法得到这四个映射。

边界框回归，我们该如何去理解呢？

首先对于线性回归的概念，我们给定输入的特征向量$X$，学习一组参数$\omega$，使得经过线性回归后的值跟真实值$Y$(Ground Truth)非常接近，即$Y\approx \omega X$。那么Bounding-Box中我们的输入与输出分别是什么呢？

Input：

Region Proposal ->$P(P_x,P_y,P_w,P_h)$，这个是什么？ 输入就是这四个数值吗？

其实真正的输入是这个窗口对应的 CNN 特征，也就是 R-CNN 中的 Pool5 feature（特征向量）。

(注：训练阶段输入还包括 Ground Truth， 也就是下边提到的$t_{\ast }=(t_x,t_y,t_w,t_h)$

Output：

需要进行的平移变换和尺度缩放$d_x(P),d_y(P),d_w(P),d_h(P)$， 或者说是${\Delta }_x,{\Delta }_y,S_w,S_h$，我们的最终输出不应该是 Ground Truth 吗？ 是的， 但是有了这四个变换我们就可以直接得到 Ground Truth， 这里还有个问题， 根据公式我们可以知道， P 经过$d_x(P),d_y(P),d_w(P),d_h(P)$得到的并不是真实值 G， 而是预测值$\hat{G}$。的确， 这四个值应该是经过 Ground Truth 和 Proposal 计算得到的真正需要的平移量$(t_x,t_y)$和尺度缩放$(t_w,t_h)$。

这也就是 R-CNN 中的下述的公式：
$$t_x=(G_x-P_x)/P_w$$
$$t_y=(G_y-P_y)/P_h$$
$$t_w=\log (G_w/P_w)$$
$$t_h=\log (G_h/P_h)$$
那么目标函数可以表示为:
$$d_{\ast }(P)=w_{\ast }^T{\Phi }_5(P)$$
其中${\Phi }_5(P)$是输入 Proposal 的特征向量，$w_{\ast }$是要学习的参数（$\ast$表示$x,y,w,h$，也就是每一个变换对应一个目标函数，$d_{\ast }(P)$是得到的预测值。我们要让预测值跟真实值$t_{\ast }=(t_x,t_y,t_w,t_h)$差距最小，得到损失函数为：
$$Loss=\sum _i^N(t_{\ast }^i-{\hat{w}}_{\ast }^T{\varphi }_5(P^i){)}^2$$
函数优化目标为：
$$W_{\ast }=\underset{w_{\ast }}{\mathrm{argmin}}\sum _i^N(t_{\ast }^i-{\hat{w}}_{\ast }^T{\varphi }_5(P^i){)}^2+\lambda ||{\hat{w}}_{\ast }|{|}^2$$
利用梯度下降法或者最小二乘法就可以得到$w_{\ast }$。

四、为什么宽高尺度会设计这种形式？

文章将会重点解释一下为什么设计的$t_x,t_y$为什么除以宽高，为什么$t_w,t_h$会有$\log$形式？

首先CNN具有尺度不变性，以下图为例（图片来源于知乎）：

x,y坐标除以宽高

上图的两个人具有不同的尺度，因为他都是人，我们得到的特征相同。假设我们得到的特征为${\varphi }_1$、${\varphi }_2$。如果我们直接学习坐标差值，以$x$坐标为例，$x_i$，$p_i$分别代表第i个框的$x$坐标，学习到的映射为$f$：
$$f({\varphi }_1)=x_1-p_1$$
同理，$f({\varphi }_2)=x_2-p_2$。

从上图显而易见，$x_1-p_1\ne x_2-p_2$。也就说同一个$x$对应于多个$y$，这明显不满足函数的定义。

边界框回归学习的是回归函数，然而你的目标却不满足函数定义，当然学习不到什么。

宽高坐标log形式

我们想要得到一个放缩的尺度，也就是说这里限制尺度必须大于0。

我们学习的$t_w,t_h$怎么保证满足大于0呢？直观的想法就是$exp$函数，如R-CNN论文里面的公式，那么反过来推到就是log函数的来源了。

为什么IoU较大，认为是线性变换？

当输入的 Proposal 与 Ground Truth 相差较小时(RCNN 设置的是 IoU>0.6)， 可以认为这种变换是一种线性变换， 那么我们就可以用线性回归来建模对窗口进行微调， 否则会导致训练的回归模型不 work（当 Proposal跟 GT 离得较远，就是复杂的非线性问题了，此时用线性回归建模显然不合理）。这里解释：

Log函数明显不满足线性函数，但是为什么当Proposal 和Ground Truth相差较小的时候，就可以认为是一种线性变换呢？大家还记得这个公式吗？
$$\underset{x=0}{\lim }\log (1+x)=x$$
现在反过来看公式：
$$t_w=\log (G_x/P_w)=\log (\frac{G_x+P_w-P_w}{P_w})=\log (1+\frac{G_w-P_w}{P_w})$$
当且仅当$G_w-P_w=0$的时候，才会是线性函数，也就是宽度和高度必须近似相等。