R-CNN (Region-based Convolutional Neural Network) est une architecture de détection d'objets introduite en 2014 par Ross Girshick, Jeff Donahue, Trevor Darrell et Jitendra Malik à l'Université de Californie à Berkeley. Elle a été l'une des premières méthodes d'apprentissage profond à obtenir des améliorations significatives par rapport aux approches traditionnelles de vision par ordinateur pour la détection d'objets, qui implique à la fois la localisation des objets dans une image et leur classification. R-CNN a démontré qu'un réseau de neurones convolutif pouvait être efficacement adapté de la classification d'images à la détection d'objets, ouvrant la voie à une nouvelle génération de modèles de détection.
L'innovation centrale de R-CNN réside dans son approche basée sur les régions. Au lieu de parcourir l'image entière avec une fenêtre glissante, elle génère d'abord un ensemble de régions candidates susceptibles de contenir des objets, puis exécute un CNN sur chaque région indépendamment. Ce paradigme en deux étapes - proposition de régions suivie d'une classification - est devenu un cadre dominant en détection d'objets pendant plusieurs années, influençant des modèles ultérieurs comme Fast R-CNN et Faster R-CNN.
Architecture et méthode
R-CNN fonctionne en trois étapes principales. Premièrement, elle utilise un algorithme de recherche sélective pour générer environ 2 000 propositions de régions indépendantes des catégories par image. Ces propositions sont des boîtes englobantes candidates pouvant contenir des objets. Deuxièmement, chaque proposition est redimensionnée à une taille fixe (227x227 pixels) et passée à travers un CNN - généralement une variante d'AlexNet - pour extraire un vecteur de caractéristiques de dimension 4 096. Troisièmement, ces caractéristiques sont introduites dans un ensemble de machines à vecteurs de support (SVM) linéaires spécifiques à chaque classe pour classifier la région, et un modèle de régression de boîte englobante affine les coordonnées de la proposition.
L'utilisation de la recherche sélective, développée par Jasper Uijlings et ses collègues en 2013, a été cruciale car elle a réduit le nombre de régions à évaluer par rapport aux approches exhaustives de fenêtre glissante. Le CNN agissait comme un extracteur de caractéristiques puissant, apprenant des représentations hiérarchiques à partir des pixels bruts, surpassant les caractéristiques artisanales comme l'histogramme de gradients orientés (HOG) utilisées dans les détecteurs antérieurs tels que les modèles de pièces déformables.
Processus d'entraînement
L'entraînement de R-CNN impliquait une procédure en plusieurs étapes. Le CNN était d'abord pré-entraîné sur le jeu de données de classification ImageNet, qui contient plus de 1,2 million d'images réparties sur 1 000 catégories. Il était ensuite affiné sur le jeu de données de détection cible, en utilisant des propositions de régions ayant un chevauchement d'intersection sur union (IoU) d'au moins 0,5 avec les boîtes de vérité terrain comme exemples positifs et celles avec moins de 0,3 IoU comme négatifs. Après l'affinage, les SVM étaient entraînés sur les caractéristiques extraites, avec un seuil IoU plus strict de 0,3 pour les positifs afin de réduire les faux positifs. Enfin, un modèle de régression linéaire était entraîné pour ajuster les coordonnées des boîtes englobantes, en utilisant des propositions avec un IoU supérieur à 0,6.
Ce pipeline d'entraînement était coûteux en calcul. Chaque proposition de région nécessitait une passe avant à travers le CNN, et avec 2 000 propositions par image, l'entraînement et l'inférence étaient lents. Sur un GPU, le traitement d'une seule image prenait environ 47 secondes, rendant les applications en temps réel impraticables. Cependant, les gains en précision étaient substantiels.
Performance et impact
Sur le jeu de données PASCAL VOC 2012, R-CNN a atteint une précision moyenne (mAP) de 53,3 %, une amélioration significative par rapport à l'état de l'art précédent de 40,4 % obtenu par la méthode SegDPM. Sur le jeu de données VOC 2007, elle a atteint 58,5 % de mAP, surpassant toutes les méthodes antérieures avec une large marge. Cela a démontré la puissance de l'apprentissage profond pour la détection d'objets et a catalysé des progrès rapides dans le domaine.
Le succès de R-CNN a inspiré une série d'améliorations. En 2015, Ross Girshick a introduit Fast R-CNN, qui a rationalisé le processus en partageant le calcul entre les régions via une seule passe avant du CNN et en utilisant une couche de regroupement de région d'intérêt (RoI), réduisant considérablement le temps d'entraînement et d'inférence. Plus tard la même année, Faster R-CNN a remplacé la recherche sélective par un réseau de proposition de régions appris, rendant l'ensemble du pipeline entraînable de bout en bout et presque en temps réel. Ces modèles, ainsi que YOLO (You Only Look Once) et SSD (Single Shot MultiBox Detector), qui adoptaient une approche différente en une seule étape, ont dominé la recherche en détection d'objets pendant des années.
Les principes introduits par R-CNN - propositions de régions, extraction de caractéristiques et régression de boîtes englobantes - restent fondamentaux dans les systèmes de détection modernes, même si des architectures plus récentes comme DETR (Detection Transformer) se sont orientées vers des approches de bout en bout basées sur les transformeurs. L'influence de R-CNN s'étend au-delà de la détection d'objets à des tâches comme la segmentation d'instances et la détection de points clés, où les méthodes basées sur les régions sont encore largement utilisées.
Limitations et héritage
Malgré ses avancées, R-CNN présentait des limitations notables. L'entraînement en plusieurs étapes était complexe et chronophage, nécessitant un entraînement séparé pour le CNN, les SVM et le régresseur de boîtes englobantes. La vitesse d'inférence était trop lente pour de nombreuses applications pratiques, et l'empreinte mémoire était importante car les caractéristiques de toutes les propositions devaient être stockées. Ces problèmes ont motivé le développement de successeurs plus rapides et plus intégrés.
Néanmoins, R-CNN est largement considéré comme un article fondateur en vision par ordinateur. Elle a démontré que l'apprentissage profond pouvait être appliqué avec succès à la détection d'objets, un problème qui avait résisté aux tentatives antérieures. Sa méthodologie a influencé de nombreux travaux ultérieurs et a contribué à établir l'importance du transfert d'apprentissage à partir de grands jeux de données de classification. L'article, publié à la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR) en 2014, a été cité des dizaines de milliers de fois, reflétant son impact durable sur le domaine de l'intelligence artificielle et du apprentissage automatique.
R-CNN a également contribué à l'adoption plus large des techniques de apprentissage profond en vision par ordinateur, aux côtés d'autres avancées comme AlexNet en 2012. Son succès a encouragé les chercheurs à appliquer les CNN à une gamme plus large de tâches visuelles, y compris la segmentation sémantique et l'analyse vidéo. Aujourd'hui, bien que des modèles plus récents aient surpassé R-CNN en performance, son cadre conceptuel reste une partie clé du programme des cours de vision par ordinateur et un point de référence pour comprendre l'évolution de la détection d'objets.
Développements connexes
La lignée de R-CNN comprend plusieurs variantes notables. Fast R-CNN (2015) a introduit le regroupement RoI pour partager les calculs convolutifs, réduisant le temps d'entraînement de jours à heures et améliorant la mAP à 66 % sur VOC 2012. Faster R-CNN (2015) a ajouté un réseau de proposition de régions (RPN) qui apprend à proposer des régions, atteignant des vitesses presque en temps réel d'environ 5 images par seconde sur un GPU et augmentant encore la précision. Mask R-CNN (2017) a étendu Faster R-CNN à la segmentation d'instances en ajoutant une branche pour prédire les masques de segmentation en plus des boîtes englobantes. Ces modèles ont été largement adoptés dans des applications allant de la conduite autonome à l'imagerie médicale, et ils continuent d'influencer les architectures modernes dans le domaine.
Infobox
- Type : Architecture de détection d'objets
- Introduit : 2014
- Introduit par : Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik
- Lié : réseau de neurones, apprentissage profond, apprentissage automatique
Catégories
- object-detection
- computer-vision
- deep-learning
- convolutional-neural-network