CNN 远远不止于处理分类问题。
这篇文章中，我们会一起来看在图像实例分割领域，CNN 的发展简史：它可被如何使用，以得到惊人的结果。
据雷锋网(公众号：雷锋网)了解，在 2012 年，Alex Krizhevsky, Geoff Hinton, and Ilya Sutskever 赢得 ImageNet 挑战赛堪称是 CNN 发展史上的里程碑，自那之后，CNN 就成了图像分类的黄金标准，并且性能不断提升。现在，它已经在 ImageNet 挑战赛上有了超人类的表现。
自 2015 年起，CNN 在 ImageNet 的错误率已低于人类
虽然这很令人激动，但相比人类高度复杂、多样化的视觉理解系统，图像识别要简单得多。
在图像识别任务中，一般图中央仅有一个需要识别的物体，而任务便是判断该图像是什么。但当我们用眼睛观察周围的世界时，我们进行的是远远更复杂的任务。
我们眼中的视野高度复杂，有许多个重叠、相互遮挡的物体，有不同的背景；我们的大脑不仅对这些物体进行分类，还会识别它们的边缘轮廓、差异、以及相互之间的关系。
问题来了：CNN 是否“ hold 住”这样复杂的任务？换句话说，给定一个十分复杂的图像，我们是否能用 CNN 来识别其中的不同物体、它们的边缘轮廓？正如 Ross Girshick 和他的同事最近几年的研究所展示：这是完全可以实现的。
内容简介
本文将讲述基于 CNN 的物体检测、分割主流技术背后的直觉性思路，并看看它们是如何从一种执行方式进化到另一种。其中，我们将覆盖 R-CNN (Regional CNN)、该类问题的最初 CNN 解决方案、 Fast R-CNN 以及 Faster R-CNN 等话题。文末将讨论 Facebook 研究团队最近搞出来的 Mask R-CNN，它把物体检测技术拓展到提供像素级别的分割。
这是本文涉及的论文：
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 是将 CNN 用于物体检测的早期应用。
受到深度学习之父 Geoffrey Hinton 实验室研究的启发，加州伯克利教授 Jitendra Malik 带领的一只小团队提出了一个今天看来无可回避的问题：
在什么程度上 Krizhevsky et. al 的研究结果可泛化到物体识别？
如同其名称，物体识别是在图像中找出不同物体、并对其分类的任务（如上图）。该团队包括 Ross Girshick、Jeff Donahue 和 Trevor Darrel，他们发现该问题可通过在 PASCAL VOC 挑战上进行测试，用 Krizhevsky 的结果来解决。PASCAL VOC 是一个类似于 ImageNet 的流行物体识别挑战。
他们写到：
该论文首次展示出，与更简单的、基于 HOG 特征的其他系统相比， CNN 在 PASCAL VOC 上有非常优越的物体识别表现。
现在，我们来看一看他们的架构，Regions With CNNs (R-CNN) ，是如何工作的。
理解 R-CNN
R-CNN 的目标是：导入一张图片，通过方框正确识别主要物体在图像的哪个地方。
输入：图像
输出：方框+每个物体的标签
但怎么知道这些方框应该在哪里呢？R-CNN 的处理方式，和我们直觉性的方式很像——在图像中搞出一大堆方框，看看是否有任何一个与某个物体重叠。
生成这些边框、或者说是推荐局域，R-CNN 采用的是一项名为 Selective Search 的流程。在高层级，Selective Search（如上图）通过不同尺寸的窗口来查看图像。对于每一个尺寸，它通过纹理、色彩或密度把相邻像素划为一组，来进行物体识别。
如上图，当边框方案生成之后，R-CNN 把选取区域变形为标准的方形，并将之喂给改良版的 AlexNet（ImageNet 2012 的冠军方案，它启发了R-CNN ）。
在 CNN 的最后一层，R-CNN 加入了一个支持向量机，它要做的事很简单：对这是否是一个物体进行分类，如果是，是什么物体。这便是上图中的第四步。
对边框进行改进
现在，既然已经找到了方框中的物体，我们是否能缩小边框，让它更符合物体的三维尺寸？答案是肯定的，这是 R-CNN 的最后一步。R-CNN 在推荐区域上运行一个简单的线性回归，生成更紧的边框坐标以得到最终结果。
这是该回归模型的输入和输出：
输入：对应物体的图像子区域
输出：针对该物体的新边框系统
概括下来，R-CNN 只是以下这几个步骤：
生成对边框的推荐
在预训练的 AlexNet 上运行方框里的物体。用支持向量机来看边框里的物体是什么。
在线性回归模型上跑该边框，在物体分类之后输出更紧的边框的坐标。
2015: Fast R-CNN
它加速、简化了 R-CNN。
R-CNN 的效果非常好，但出于以下几个原因，它运行起来特别慢：
对于每一个图像的每一个推荐区域，它都需要一个 CNN (AlexNet) 的 forward pass。这意味着每个图像就需要约 2000 个 forward pass。
它必须分来训练三个不同的模型——生成图像特征的 CNN，预测类别的分类器以及收紧边框的回归模型。这使得训练流水线变得特别困难。
在 2015 年，R-CNN 的第一作者 Ross Girshick 解决了上述两个问题，导致了本简史中第二个算法的诞生： Fast R-CNN
Ross Girshick
Fast R-CNN 特性
1. RoI (Region of Interest) Pooling
对于 CNN 的 forward pass，Girshick 意识到对于每个图像，许多推荐区域会不可避免的重叠，同样的 CNN 运算会一遍遍重复 (~2000 次)。他的思路很简单：为什么不能在每一个图像上只运行一次 CNN，并找到一种在 ~2000 个推荐里共享计算的方式？
借助名为 RoIPool 的技术，Fast R-CNN 实现了该思路。在其核心，RoIPool 会对图像的所有子区域共享 CNN 的forward pass。上图便是示例，注意每个区域的 CNN 特征，是怎么通过选择 CNN 特征图的相应区域来获取的。然后，每个区域的特征被池化（“pooled”，通常使用 max pooling）。因此原始图像只需要计算一遍，而不是 2000 遍。
2. 把不同模型整合为一个网络
第二项特性是在一个模型里联合训练 CNN、分类器和边框回归量。而此前，提取图像特征要用 CNN，分类要用支持向量机，收紧边框要用回归。Fast R-CNN 用一个单个的网络完成这三项任务。
至于这是如何实现的，请看上图。Fast R-CNN 在 CNN 之上添加一个 softmax 层输出分类，来代替支持向量机。添加一个与 softmax 平行的线性回归层，来输出边框坐标。这种方式，所有需要输出都通过单个神经网络得到。这是模型整体的输入和输出：
输入：有区域推荐的图像
输出：每个区域的物体识别，收紧的边框
2016：Faster R-CNN
名字很直白，它加速了选区推荐。
即便有上文所提到的优点，Fast R-CNN 仍然有一个重大瓶颈：选区推荐器。正如我们看到的，检测物体位置的第一步，是生成一系列候选边框来进行测试。雷锋网了解到，在 Fast R-CNN 里，这些推荐通过 Selective Search 生成。后者是一个相当慢的过程，成为系统整体的瓶颈。
在 2015 年，微软的孙剑、任少卿、何凯明、Ross Girshick 找到了一个让推荐步骤几乎不需要成本的办法，这通过被他们称之为 Faster R-CNN 的架构来实现。
孙剑
Faster R-CNN 背后的思路是：既然选区推荐取决于 CNN forward pass 已经计算出来的图像特征，那么，为什么不对区域推荐重复利用这些 CNN 结果，来代替运行一个单独的 selective search 算法？
这便是 Faster R-CNN 更快的原因。
上图中，你可以看到单个 CNN 是如何同时进行选区推荐和分类。利用这种方式，只有一个 CNN 需要被训练，我们也几乎免费得到了选区推荐。作者们写到：
“我们的观察是：基于区域的检测器所使用的卷积特征图，比如 Faster R-CNN，也能被用来生成选区推荐。”
这是模型的输入和输出：
输入：图像（选区推荐并不需要）
输出：分类、图中物体的边框坐标。
选区是如何生成的
我们一起多花几分钟，看看 Faster R-CNN 是如何从 CNN 特征里生成选区推荐的。Faster R-CNN 在 CNN 特征之上添加了完全卷积网络（Fully Convolutional Network ），以生成 Region Proposal Network。
Region Proposal Network 通过在 CNN 特征图上传递滑窗（sliding window）来运作，在每个窗口输出 K 潜在边框和对每个边框的评估分值。这些 K 边框代表了什么呢？
直觉上，我们知道图像中的物体应该符合特定的常用长宽比例和尺寸，比如类似于人体形状的矩形选框。类似的，我们知道很窄的选框并不会太多。于是我们创造出 anchor boxes ——K 常用长宽比例，对于每一个 anchor boxe，我们输出选框以及图像中的每个位置的分值。
有了这些 anchor boxes，我们看看 Region Proposal Network 的输入、输出。
输入: CNN 特征图
输出：每个 anchor 对应一个选框。一个分值，用来表示选框内图像是否为物体。
之后把每个可能是物体的选框导入 Fast R-CNN，生成分类和收紧的选框。
2017: Mask R-CNN
把 Faster R-CNN 拓展到像素级的图像分割。
到现在，我们已经看到了多种利用 CNN 特征、利用选框来锁定图像中不同物体的有趣方式。我们是否能够将这些技术进一步，去定位物体的每一个像素呢？
该问题便是图像分割（image segmentation）。对此，Facebook AI 的何凯明、Girshick 等研究人员开发出了一个名为 Mask R-CNN 的架构。
与 Fast R-CNN、Faster R-CNN 一样，Mask R-CNN 的底层逻辑也很直接：Faster R-CNN 对物体识别效果这么好，我们能够将之扩展到像素级别的分割？
Mask R-CNN 通过向 Faster R-CNN 加入一个分支来实现这一点，该分支输出一个二元的 mask，指示某像素是否是物体的一部分。这分支（图中白色部分）说白了就是一个 CNN 特征图上的全卷积网络。这是它的输入、输出：
输入：CNN 特征图
输出：矩阵，属于物体的像素在矩阵内用 1 表示，否则用 0 表示（这就是二元 Mask）。
为使 Mask R-CNN 如预期的运行，作者们做了一个小改变：RoiAlign，或者说 Realigning RoIPool。
RoiAlign
当不加修改地运行于原始版本的 Faster R-CNN，RoIPool 选择的特征图区域，会与原图中的区域有轻微排列出入。而图像分割需要像素级别的精确度。于是，作者们巧妙地对 RoIPool 进行调整，使之更精确得排列对齐，这便是 RoIAlign。
假设我们有一个 128x128 的图像，25x25 的特征图，想要找出与原始图像左上角 15x15 位置对应的特征区域，怎么在特征图上选取像素？
我们知道原始图像的每一个像素与特征图上的 25/128 个像素对应。为了在原始图像选取 15 个像素，在特征图上我们需要选择 15 * 25/128 ~= 2.93 个像素。
对于这种情形，RoIPool 会舍去零头选择两个像素，导致排列问题。但在 RoIAlign，这种去掉小数点之后数字的方式被避免，而是使用双线性插值（bilinear interpolation）准确获得 2.93 像素位置的信息。在高层级，这避免了排列错误。
在 mask 生成之后，Mask R-CNN 把它们与 Faster R-CNN 的分类、选框结合起来，生成相当精确的分割：
后话
短短三年的时间，我们就看到了机器学习社区从 Krizhevsky et. al 的原始结果进步到 R-CNN，并最终开发出 Mask R-CNN 这样的强大方案。若单独来看，Mask R-CNN 像是一步巨大的技术飞跃，令人难以望其项背。但在这篇简史中，我希望大家看到，这样的进步是一系列直觉性、渐进式进步的总和，是多年苦心合作研究的成果。
但从 R-CNN 到 Mask R-CNN 毕竟只用了三年。在接下来的三年，计算机视觉又会进步多少呢？
