目标检测 - 二阶段检测 - Faster-RCNN

部分内容参考：
1、https://blog.csdn.net/liuxiaoheng1992/article/details/81843363
2、mmdetection源码（下面简称为mmdet）

论文解读

模型结构

论文中的图

一个更详细的图

Faster-RCNN有两部分组成：RPN和Fast-RCNN。两者共享同一个backbone。具体来说，Faster-RCNN由以下几部分组成：
1、backbone（VGG，ResNet等）
2、neck（FPN，原版的faster没有，FPN出来之后后人才加上的）
3、rpn_head（RPNHead）
4、bbox_roi_extractor（SingleRoIExtractor > RoIAlign，RoIPool）
5、bbox_head（SharedFCBBoxHead）
上面是参考mmdet的config来分类的。backbonhe和neck无需多言，很常见的操作。下面讲以下剩下的三个部分。
rpn_head
上图是论文中的图，conv feature map是backbone出来的，或者是neck出来的特征。在mmdet代码中，滑动窗用一个3x3的conv来实现，独立的分类和回归层分别用两个1x1的conv来实现。代码如下：

@HEADS.register_module
class RPNHead(AnchorHead):

    def __init__(self, in_channels, **kwargs):
        super(RPNHead, self).__init__(2, in_channels, **kwargs)

    def _init_layers(self):
        self.rpn_conv = nn.Conv2d(
            self.in_channels, self.feat_channels, 3, padding=1)  # in:256, out:256
        self.rpn_cls = nn.Conv2d(self.feat_channels,
                                 self.num_anchors * self.cls_out_channels, 1)
                                 # self.cls_out_channels = 2 前景和背景
        self.rpn_reg = nn.Conv2d(self.feat_channels, self.num_anchors * 4, 1)

    def init_weights(self):
        normal_init(self.rpn_conv, std=0.01)
        normal_init(self.rpn_cls, std=0.01)
        normal_init(self.rpn_reg, std=0.01)

    # 对单个feature map做操作，forward在AnchorHead中定义，将forward_single应用到feats上
    def forward_single(self, x):
        x = self.rpn_conv(x)
        x = F.relu(x, inplace=True)
        rpn_cls_score = self.rpn_cls(x)
        rpn_bbox_pred = self.rpn_reg(x)
        return rpn_cls_score, rpn_bbox_pred

rpn_head输出proposal的得分+框的位置信息。

bbox_roi_extractor
从名字就可以知道，bbox_roi_extractor是对bbox_roi进行特征提取的组件，faster-rcnn论文中用的是roi_pooling，mask-rcnn中用的是roi_align，R-FCN中的position-sensitive RoI pooling layer等。

训练

论文中的训练方式

论文中，给出了三种训练方式
1、交替训练
先训RPN，然后将RPN得到的proposal拿去训Fast-RCNN，接着Fast-RCNN微调后的网络去初始化RPN，然后训RPN，这个过程交替进行。（这里有一个疑问，是在每一个batch进行交替，还是训好RPN，再训Fast-RCNN这样进行，如果是每一个batch进行交替，那么可以保证proposal在batch内是不变的，如果是另一种，那么需要保证训好RPN之后，要把RPN冻住，才能保证proposal的稳定）
2、近似联合训练
RPN和Fast-RCNN当成一个整体，前向过程中，RPN生成的proposal当成是预先生成好去训练Fast-RCNN，反向传播过程，对于共享的卷积层，计算梯度的是RPN loss和Fast RCNN的losss相加，其他独立的部分就是各自的Loss。"approximate"体现在反向传播阶段RPN产生的置信误差能够获得梯度以更新参数，但是region proposals的坐标预测则直接把梯度舍弃了，也就是说box误差不参与loss的计算（和交替训练相比，这种方法的好处在于缩短训练时间）。
3、非近似联合训练
和近似联合训练相比，非近似联合训练，把RPN生成的proposal的loss也考虑进行梯度回归，通过“RoI warping” 层进行梯度反传？？？
四步训练法
第一步：imagenet初始化，训RPN，得到proposal
第二步：imagenet初始化，用RPN的proposal训Fast-RCNN
第三步：Fast-RCNN初始化共有卷积，训RPN（fix共有卷积）
第四步：fix共有卷积和RPN，训Fast-RCNN

mmdetection中的训练

RPN生成proposals->RCNN样本匹配(FPN)

# 超参
# 1. nms_pre: 进行nms之前的数目, 2. nms_post: nms之后的输出个数, 3. nms_thr: nms阈值
# 4. max_num: 单张图片最终输出proposals最多的个数, 5. nms_across_levels: 是否在跨levels进行nms操作

mlvl_proposals = []
for stride in strides:
    # 1. 在多个strides下对模型预测值进行解码，获取预测框
    # 2. 做一些过滤的操作
    do clip
    remove small
    nms # nms_pre和nms_post通常等于2000
    # 得到每个stride的proposals
    # 3. mlvl_proposals.append(proposals)
# 将各个strides的proposals给concat起来
if nms_across_levels:
    proposals, _ = nms(proposals, cfg.nms_thr)
    proposals = proposals[:cfg.max_num, :]
else:
    scores = proposals[:, 4]
    num = min(cfg.max_num, proposals.shape[0])
    _, topk_inds = scores.topk(num)
    proposals = proposals[topk_inds, :]
return proposals