R-CNN (Region-based Convolutional Neural Network) é uma arquitetura de detecção de objetos introduzida em 2014 por Ross Girshick, Jeff Donahue, Trevor Darrell e Jitendra Malik na Universidade da Califórnia, Berkeley. Foi um dos primeiros métodos de aprendizado profundo a alcançar melhorias significativas em relação às abordagens tradicionais de visão computacional para detecção de objetos, que envolve tanto localizar objetos dentro de uma imagem quanto classificá-los. O R-CNN demonstrou que uma rede neural convolucional poderia ser efetivamente adaptada da classificação de imagens para a detecção de objetos, preparando o terreno para uma nova geração de modelos de detecção.
A inovação central do R-CNN foi sua abordagem baseada em regiões. Em vez de escanear a imagem inteira com uma janela deslizante, ele primeiro gera um conjunto de regiões candidatas que provavelmente contêm objetos e, em seguida, executa uma CNN em cada região de forma independente. Esse paradigma de dois estágios - proposta de região seguida de classificação - tornou-se uma estrutura dominante na detecção de objetos por vários anos, influenciando modelos posteriores como Fast R-CNN e Faster R-CNN.
Arquitetura e Método
O R-CNN opera em três estágios principais. Primeiro, ele usa um algoritmo de busca seletiva para gerar aproximadamente 2.000 propostas de região independentes de categoria por imagem. Essas propostas são caixas delimitadoras candidatas que podem conter objetos. Segundo, cada proposta é redimensionada para um tamanho fixo (227x227 pixels) e passada por uma CNN - tipicamente uma variante do AlexNet - para extrair um vetor de características de 4.096 dimensões. Terceiro, essas características são alimentadas em um conjunto de máquinas de vetores de suporte (SVMs) lineares específicas de classe para classificar a região, e um modelo de regressão de caixa delimitadora refina as coordenadas da proposta.
O uso da busca seletiva, desenvolvida por Jasper Uijlings e colegas em 2013, foi crucial porque reduziu o número de regiões a avaliar em comparação com abordagens exaustivas de janela deslizante. A CNN atuou como um poderoso extrator de características, aprendendo representações hierárquicas a partir de pixels brutos, que superaram características artesanais como histograma de gradientes orientados (HOG) usadas em detectores anteriores, como os Modelos de Partes Deformáveis.
Processo de Treinamento
O treinamento do R-CNN envolveu um procedimento de múltiplas etapas. A CNN foi primeiro pré-treinada no conjunto de dados de classificação ImageNet, que contém mais de 1,2 milhão de imagens em 1.000 categorias. Em seguida, foi ajustada no conjunto de dados de detecção alvo, usando propostas de região que tinham uma sobreposição de interseção sobre união (IoU) de pelo menos 0,5 com caixas de verdade fundamental como exemplos positivos e aquelas com menos de 0,3 de IoU como negativos. Após o ajuste fino, as SVMs foram treinadas nas características extraídas, com um limite de IoU mais estrito de 0,3 para positivos, a fim de reduzir falsos positivos. Finalmente, um modelo de regressão linear foi treinado para ajustar as coordenadas da caixa delimitadora, usando propostas com IoU maior que 0,6.
Esse pipeline de treinamento era computacionalmente caro. Cada proposta de região exigia uma passagem direta pela CNN, e com 2.000 propostas por imagem, o treinamento e a inferência eram lentos. Em uma GPU, processar uma única imagem levava cerca de 47 segundos, tornando aplicações em tempo real impraticáveis. No entanto, os ganhos de precisão foram substanciais.
Desempenho e Impacto
No conjunto de dados PASCAL VOC 2012, o R-CNN alcançou uma precisão média (mAP) de 53,3%, uma melhoria significativa em relação ao estado da arte anterior de 40,4% alcançado pelo método SegDPM. No conjunto de dados VOC 2007, atingiu 58,5% de mAP, superando todos os métodos anteriores por uma grande margem. Isso demonstrou o poder do aprendizado profundo para detecção de objetos e catalisou um progresso rápido no campo.
O sucesso do R-CNN inspirou uma série de melhorias. Em 2015, Ross Girshick introduziu o Fast R-CNN, que simplificou o processo compartilhando computação entre regiões por meio de uma única passagem direta da CNN e usando uma camada de pooling de região de interesse (RoI), reduzindo significativamente o tempo de treinamento e inferência. Mais tarde naquele ano, o Faster R-CNN substituiu a busca seletiva por uma rede de proposta de região aprendida, tornando todo o pipeline treinável de ponta a ponta e quase em tempo real. Esses modelos, juntamente com YOLO (You Only Look Once) e SSD (Single Shot MultiBox Detector), que adotaram uma abordagem diferente de estágio único, dominaram a pesquisa em detecção de objetos por anos.
Os princípios introduzidos pelo R-CNN - propostas de região, extração de características e regressão de caixa delimitadora - permanecem fundamentais em sistemas de detecção modernos, mesmo à medida que arquiteturas mais novas, como DETR (Detection Transformer), avançaram em direção a abordagens baseadas em transformadores de ponta a ponta. A influência do R-CNN se estende além da detecção de objetos para tarefas como segmentação de instâncias e detecção de pontos-chave, onde métodos baseados em região ainda são amplamente usados.
Limitações e Legado
Apesar de seus avanços, o R-CNN tinha limitações notáveis. O treinamento em múltiplos estágios era complexo e demorado, exigindo treinamento separado para a CNN, as SVMs e o regressor de caixa delimitadora. A velocidade de inferência era lenta demais para muitas aplicações práticas, e a pegada de memória era grande porque as características de todas as propostas precisavam ser armazenadas. Esses problemas motivaram o desenvolvimento de sucessores mais rápidos e integrados.
No entanto, o R-CNN é amplamente considerado um artigo marcante na visão computacional. Demonstrou que o aprendizado profundo poderia ser aplicado com sucesso à detecção de objetos, um problema que havia resistido a tentativas anteriores. Sua metodologia influenciou inúmeros trabalhos subsequentes e ajudou a estabelecer a importância do aprendizado por transferência a partir de grandes conjuntos de dados de classificação. O artigo, publicado na Conferência IEEE sobre Visão Computacional e Reconhecimento de Padrões (CVPR) em 2014, foi citado dezenas de milhares de vezes, refletindo seu impacto duradouro no campo da inteligência artificial e do aprendizado de máquina.
O R-CNN também contribuiu para a adoção mais ampla de técnicas de aprendizado profundo na visão computacional, juntamente com outros avanços como o AlexNet em 2012. Seu sucesso incentivou pesquisadores a aplicar CNNs a uma gama mais ampla de tarefas visuais, incluindo segmentação semântica e análise de vídeo. Hoje, embora modelos mais novos tenham superado o R-CNN em desempenho, sua estrutura conceitual permanece uma parte fundamental do currículo em cursos de visão computacional e um ponto de referência para entender a evolução da detecção de objetos.
Desenvolvimentos Relacionados
A linhagem do R-CNN inclui várias variantes notáveis. O Fast R-CNN (2015) introduziu o pooling de RoI para compartilhar cálculos convolucionais, reduzindo o tempo de treinamento de dias para horas e melhorando o mAP para 66% no VOC 2012. O Faster R-CNN (2015) adicionou uma Rede de Proposta de Região (RPN) que aprende a propor regiões, alcançando velocidades quase em tempo real de cerca de 5 quadros por segundo em uma GPU e aumentando ainda mais a precisão. O Mask R-CNN (2017) estendeu o Faster R-CNN para segmentação de instâncias, adicionando um ramo para prever máscaras de segmentação juntamente com caixas delimitadoras. Esses modelos foram amplamente adotados em aplicações que vão desde direção autônoma até imagens médicas, e continuam a influenciar arquiteturas modernas no campo.
Infobox
- Tipo: Arquitetura de detecção de objetos
- Introduzido: 2014
- Introduzido por: Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik
- Relacionado: rede neural, aprendizado profundo, aprendizado de máquina
Categorias
- object-detection
- computer-vision
- deep-learning
- convolutional-neural-network