三年來，CNN在圖像分割領域經歷了怎樣的技術變革？

CNN 遠遠不止於處理分類問題。

這篇文章中，我們會一起來看在圖像實例分割領域，CNN 的發展簡史：它可被如何使用，以得到驚人的結果。

據雷鋒網瞭解，在 2012 年，Alex Krizhevsky, Geoff Hinton, and Ilya Sutskever 贏得 ImageNet 挑戰賽堪稱是 CNN 發展史上的里程碑，自那之後，CNN 就成了圖像分類的黃金標準，並且性能不斷提升。現在，它已經在 ImageNet 挑戰賽上有了超人類的表現。

自 2015 年起，CNN 在 ImageNet 的錯誤率已低於人類

雖然這很令人激動，但相比人類高度複雜、多樣化的視覺理解系統，圖像識別要簡單得多。

在圖像識別任務中，一般圖中央僅有一個需要識別的物體，而任務便是判斷該圖像是什麼。但當我們用眼睛觀察周圍的世界時，我們進行的是遠遠更複雜的任務。

我們眼中的視野高度複雜，有許多個重疊、相互遮擋的物體，有不同的背景；我們的大腦不僅對這些物體進行分類，還會識別它們的邊緣輪廓、差異、以及相互之間的關係。

問題來了：CNN 是否“ hold 住”這樣複雜的任務？換句話說，給定一個十分複雜的圖像，我們是否能用 CNN 來識別其中的不同物體、它們的邊緣輪廓？正如 Ross Girshick 和他的同事最近幾年的研究所展示：這是完全可以實現的。

內容簡介

本文將講述基於 CNN 的物體檢測、分割主流技術背後的直覺性思路，並看看它們是如何從一種執行方式進化到另一種。其中，我們將覆蓋 R-CNN (Regional CNN)、該類問題的最初 CNN 解決方案、 Fast R-CNN 以及 Faster R-CNN 等話題。文末將討論 Facebook 研究團隊最近搞出來的 Mask R-CNN，它把物體檢測技術拓展到提供圖元級別的分割。

這是本文涉及的論文：

R-CNN: https://arxiv.org/abs/1311.2524

Fast R-CNN: https://arxiv.org/abs/1504.08083

Faster R-CNN: https://arxiv.org/abs/1506.01497

Mask R-CNN: https://arxiv.org/abs/1703.06870

2014: R-CNN

R-CNN 是將 CNN 用於物體檢測的早期應用。

受到深度學習之父 Geoffrey Hinton 實驗室研究的啟發，加州伯克利教授 Jitendra Malik 帶領的一隻小團隊提出了一個今天看來無可回避的問題：

在什麼程度上 Krizhevsky et. al 的研究結果可泛化到物體識別？

如同其名稱，物體識別是在圖像中找出不同物體、並對其分類的任務（如上圖）。該團隊包括 Ross Girshick、Jeff Donahue 和 Trevor Darrel，他們發現該問題可通過在 PASCAL VOC 挑戰上進行測試，用 Krizhevsky 的結果來解決。PASCAL VOC 是一個類似於 ImageNet 的流行物體識別挑戰。

他們寫到：

該論文首次展示出，與更簡單的、基於 HOG 特徵的其他系統相比， CNN 在 PASCAL VOC 上有非常優越的物體識別表現。

現在，我們來看一看他們的架構，Regions With CNNs (R-CNN) ，是如何工作的。

理解 R-CNN

R-CNN 的目標是：導入一張圖片，通過方框正確識別主要物體在圖像的哪個地方。

輸入：圖像

輸出：方框+每個物體的標籤

但怎麼知道這些方框應該在哪裡呢？R-CNN 的處理方式，和我們直覺性的方式很像——

在圖像中搞出一大堆方框，看看是否有任何一個與某個物體重疊。

生成這些邊框、或者說是推薦局域，R-CNN 採用的是一項名為 Selective Search 的流程。在高層級，Selective Search（如上圖）通過不同尺寸的視窗來查看圖像。對於每一個尺寸，它通過紋理、色彩或密度把相鄰圖元劃為一組，來進行物體識別。

如上圖，當邊框方案生成之後，R-CNN 把選取區域變形為標準的方形，並將之喂給改良版的 AlexNet（ImageNet 2012 的冠軍方案，它啟發了R-CNN ）。

在 CNN 的最後一層，R-CNN 加入了一個支持向量機，它要做的事很簡單：對這是否是一個物體進行分類，如果是，是什麼物體。這便是上圖中的第四步。

對邊框進行改進

現在，既然已經找到了方框中的物體，我們是否能縮小邊框，讓它更符合物體的三維尺寸？答案是肯定的，這是 R-CNN 的最後一步。R-CNN 在推薦區域上運行一個簡單的線性回歸，生成更緊的邊框座標以得到最終結果。

這是該回歸模型的輸入和輸出：

輸入：對應物體的圖像子區域

輸出：針對該物體的新邊框系統

概括下來，R-CNN 只是以下這幾個步驟：

生成對邊框的推薦

在預訓練的 AlexNet 上運行方框裡的物體。用支援向量機來看邊框裡的物體是什麼。

在線性回歸模型上跑該邊框，在物體分類之後輸出更緊的邊框的座標。

2015: Fast R-CNN

它加速、簡化了 R-CNN。

R-CNN 的效果非常好，但出於以下幾個原因，它運行起來特別慢：

對於每一個圖像的每一個推薦區域，它都需要一個 CNN (AlexNet) 的 forward pass。這意味著每個圖像就需要約 2000 個 forward pass。

它必須分來訓練三個不同的模型——生成圖像特徵的 CNN，預測類別的分類器以及收緊邊框的回歸模型。這使得訓練流水線變得特別困難。

在 2015 年，R-CNN 的第一作者 Ross Girshick 解決了上述兩個問題，導致了本簡史中第二個演算法的誕生： Fast R-CNN

Ross Girshick

Fast R-CNN 特性

1. RoI (Region of Interest) Pooling

對於 CNN 的 forward pass，Girshick 意識到對於每個圖像，許多推薦區域會不可避免的重疊，同樣的 CNN 運算會一遍遍重複 (~2000 次)。他的思路很簡單：為什麼不能在每一個圖像上只運行一次 CNN，並找到一種在 ~2000 個推薦裡共用計算的方式？

借助名為 RoIPool 的技術，Fast R-CNN 實現了該思路。在其核心，RoIPool 會對圖像的所有子區域共用 CNN 的forward pass。上圖便是示例，注意每個區域的 CNN 特徵，是怎麼通過選擇 CNN 特徵圖的相應區域來獲取的。然後，每個區域的特徵被池化（“pooled”，通常使用 max pooling）。因此原始圖像只需要計算一遍，而不是 2000 遍。

2. 把不同模型整合為一個網路

第二項特性是在一個模型裡聯合訓練 CNN、分類器和邊框回歸量。而此前，提取圖像特徵要用 CNN，分類要用支援向量機，收緊邊框要用回歸。

Fast R-CNN 用一個單個的網路完成這三項任務。

至於這是如何實現的，請看上圖。Fast R-CNN 在 CNN 之上添加一個 softmax 層輸出分類，來代替支持向量機。添加一個與 softmax 平行的線性回歸層，來輸出邊框座標。這種方式，所有需要輸出都通過單個神經網路得到。這是模型整體的輸入和輸出：

輸入：有區域推薦的圖像

輸出：每個區域的物體識別，收緊的邊框

2016：Faster R-CNN 

名字很直白，它加速了選區推薦。

即便有上文所提到的優點，Fast R-CNN 仍然有一個重大瓶頸：選區推薦器。正如我們看到的，檢測物體位置的第一步，是生成一系列候選邊框來進行測試。雷鋒網瞭解到，在 Fast R-CNN 裡，這些推薦通過 Selective Search 生成。後者是一個相當慢的過程，成為系統整體的瓶頸。

在 2015 年，微軟的孫劍、任少卿、何凱明、Ross Girshick 找到了一個讓推薦步驟幾乎不需要成本的辦法，這通過被他們稱之為 Faster R-CNN 的架構來實現。

孫劍

Faster R-CNN 背後的思路是：既然選區推薦取決於 CNN forward pass 已經計算出來的圖像特徵，那麼，為什麼不對區域推薦重複利用這些 CNN 結果，來代替運行一個單獨的 selective search 演算法？

這便是 Faster R-CNN 更快的原因。

上圖中，你可以看到單個 CNN 是如何同時進行選區推薦和分類。利用這種方式，只有一個 CNN 需要被訓練，我們也幾乎免費得到了選區推薦。作者們寫到：

“我們的觀察是：基於區域的檢測器所使用的卷積特徵圖，比如 Faster R-CNN，也能被用來生成選區推薦。”

這是模型的輸入和輸出：

輸入：圖像（選區推薦並不需要）

輸出：分類、圖中物體的邊框座標。

選區是如何生成的

我們一起多花幾分鐘，看看 Faster R-CNN 是如何從 CNN 特徵裡生成選區推薦的。Faster R-CNN 在 CNN 特徵之上添加了完全卷積網路（Fully Convolutional Network ），以生成 Region Proposal Network。

Region Proposal Network 通過在 CNN 特徵圖上傳遞滑窗（sliding window）來運作，在每個窗口輸出 K 潛在邊框和對每個邊框的評估分值。這些 K 邊框代表了什麼呢？

直覺上，我們知道圖像中的物體應該符合特定的常用長寬比例和尺寸，比如類似於人體形狀的矩形選框。類似的，我們知道很窄的選框並不會太多。於是我們創造出 anchor boxes ——K 常用長寬比例，對於每一個 anchor boxe，我們輸出選框以及圖像中的每個位置的分值。

有了這些 anchor boxes，我們看看 Region Proposal Network 的輸入、輸出。

輸入: CNN 特徵圖

輸出：每個 anchor 對應一個選框。一個分值，用來表示選框內圖像是否為物體。

之後把每個可能是物體的選框導入 Fast R-CNN，生成分類和收緊的選框。

2017: Mask R-CNN 

把 Faster R-CNN 拓展到圖元級的圖像分割。

到現在，我們已經看到了多種利用 CNN 特徵、利用選框來鎖定圖像中不同物體的有趣方式。我們是否能夠將這些技術進一步，去定位物體的每一個圖元呢？

該問題便是圖像分割（image segmentation）。對此，Facebook AI 的何凱明、Girshick 等研究人員開發出了一個名為 Mask R-CNN 的架構。

與 Fast R-CNN、Faster R-CNN 一樣，Mask R-CNN 的底層邏輯也很直接：Faster R-CNN 對物體識別效果這麼好，我們能夠將之擴展到圖元級別的分割？

Mask R-CNN 通過向 Faster R-CNN 加入一個分支來實現這一點，該分支輸出一個二元的 mask，指示某圖元是否是物體的一部分。這分支（圖中白色部分）說白了就是一個 CNN 特徵圖上的全卷積網路。這是它的輸入、輸出：

輸入：CNN 特徵圖

輸出：矩陣，屬於物體的圖元在矩陣內用 1 表示，否則用 0 表示（這就是二元 Mask）。

為使 Mask R-CNN 如預期的運行，作者們做了一個小改變：RoiAlign，或者說 Realigning RoIPool。

RoiAlign

當不加修改地運行於原始版本的 Faster R-CNN，RoIPool 選擇的特徵圖區域，會與原圖中的區域有輕微排列出入。而圖像分割需要圖元級別的精確度。於是，作者們巧妙地對 RoIPool 進行調整，使之更精確得排列對齊，這便是 RoIAlign。

假設我們有一個 128x128 的圖像，25x25 的特徵圖，想要找出與原始圖像左上角 15x15 位置對應的特徵區域，怎麼在特徵圖上選取圖元？

我們知道原始圖像的每一個圖元與特徵圖上的 25/128 個圖元對應。為了在原始圖像選取 15 個圖元，在特徵圖上我們需要選擇 15 * 25/128 ~= 2.93 個圖元。

對於這種情形，RoIPool 會舍去零頭選擇兩個圖元，導致排列問題。但在 RoIAlign，這種去掉小數點之後數位的方式被避免，而是使用雙線性插值（bilinear interpolation）準確獲得 2.93 圖元位置的資訊。在高層級，這避免了排列錯誤。

在 mask 生成之後，Mask R-CNN 把它們與 Faster R-CNN 的分類、選框結合起來，生成相當精確的分割：

後話

短短三年的時間，我們就看到了機器學習社區從 Krizhevsky et. al 的原始結果進步到 R-CNN，並最終開發出 Mask R-CNN 這樣的強大方案。若單獨來看，Mask R-CNN 像是一步巨大的技術飛躍，令人難以望其項背。但在這篇簡史中，我希望大家看到，這樣的進步是一系列直覺性、漸進式進步的總和，是多年苦心合作研究的成果。

但從 R-CNN 到 Mask R-CNN 畢竟只用了三年。在接下來的三年，電腦視覺又會進步多少呢？

via 

athelas

，雷鋒網編譯