faster rcnn中的一些细节问题

RPN网络

首先经过一个3 $\ast$ 3的卷积层，然后兵分两路：

• foreground anchors
• bounding box regression偏移量
  
  可以看到RPN网络实际分为2条线，上面一条通过softmax分类anchors获得foreground和background（检测目标是foreground），下面一条用于计算对于anchors的bounding box regression偏移量，以获得精确的proposal。而最后的Proposal层则负责综合foreground anchors和bounding box regression偏移量获取proposals，同时剔除太小和超出边界的proposals。其实整个网络到了Proposal Layer这里，就完成了相当于目标定位的功能。

anchor和foreground与background的判定

首先介绍一下anchor，特征提取最后输出的feature map中，每一个cell都对应了9个不同尺寸的anchor，这些anchor的比例为（1:1）（1:2）（2:1）而且这些anchor的size是根据检测图像设置的。

这样的话。这些anchor可以覆盖了整个检测图像。根据源代码可以看出，输入图片会被resize成800 $\ast$ 600的大小。

RPN层先经过3 $\ast$ 3的卷积层，这样使得该点又可以融合周边几个点的信息，增强鲁棒性。并且，全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练
MxN大小的矩阵送入Faster RCNN网络后，到RPN网络变为(M/16)x(N/16)，不妨设 W=M/16，H=N/16。在进入reshape与softmax之前，先做了1x1卷积，

为何要在softmax前后都接一个reshape layer？其实只是为了便于softmax分类。对应至上面的保存bg/fg anchors的矩阵，其在caffe blob中的存储形式为[1, 2x9, H, W]。而在softmax分类时需要进行fg/bg二分类，所以reshape layer会将其变为[1, 2, 9xH, W]大小，即单独“腾空”出来一个维度以便softmax分类，之后再reshape回复原状。

bounding box regression

这部分直接贴公式吧，已经看了很多遍了

如何通过线性回归获得

为了让预测值（tx,ty,tw,th）与真实值差距最小

优化目标：

Proposal Layer

Proposal layer输入三个参数：(dx(A),dy(A),dw(A),dh(A))，foreground anchors，im-info[M, N, scale_factor]（保存此次缩放信息）
它的处理步骤：

• 生成anchors，利用(dx(A),dy(A),dw(A),dh(A))对所有anchors做bbox regression回归（这里的anchors生成和训练时完全一致）
• 按照输入的foreground softmax scores由大到小排序anchors，提取前pre_nms_topN(e.g. 6000)个anchors，即提取修正位置后的foreground anchors。
• 限定超出图像边界的foreground anchors为图像边界（防止后续roi pooling时proposal超出图像边界）
• 剔除非常小（width 进行nonmaximum suppression
• 再次按照nms后的foreground softmax scores由大到小排序fg anchors，提取前post_nms_topN(e.g. 300)结果作为proposal输出。

总之，RPN网络是个二分类+bbox regression的网络，它的二分类在于把背景和前景分开，然后输出有大量前景的bbox。有一些面试会问到，RPN可以单独使用么，我觉得如果单独使用的话，首先bbox不会很精准，其次他没有对物体分类的作用，因为它只能把背景剔除。如果没有RPN的话，它会怎样呢？

1. 网络会对所有的anchor定的region进行识别分类，这会使得网络难以收敛，因为有太多“背景”的region，他们对于类的预测没有任何贡献
2. 大量无用的region会非常消耗计算时间

yolo有类似rpn的机制，那就是最后输出时的confidence值，这个值决定了前景和背景。
ssd是将anchor机制融合在了1 stage模型中，原理与本文所述基本一致。

ROI Pooling 层

Rol pooling层有2个输入：原始的feature maps和RPN输出的proposal boxes（大小各不相同）。
由于ROI Pooling层之后是全连接层，输入的大小要固定，但是生成的proposal大小不一致，所以需要ROI Pooling层。RoI Pooling layer forward过程：在之前有明确提到： 是对应MxN尺度的，所以首先使用spatial_scale参数将其映射回(M/16)x(N/16)大小的feature maps尺度；之后将每个proposal水平和竖直分为pooled_w和pooled_h份，对每一份都进行max pooling处理。这样处理后，即使大小不同的proposal，输出结果都是一样大小，实现了fixed-length output（固定长度输出）。

训练RPN网络

损失函数：

上述公式中 i 表示anchors index，$Pi$表示foreground softmax probability，$Pi$^*
表示对于GT predict概率，（即当第i个anchor与GT间 IoU>0.7，认为是该anchor是foreground，$Pi$^*=1；反之 IoU<0.3 时，认为是该anchor是background，$Pi$^*=0；至于那些 0.3*代表对应foreground anchor对应的GT box。
由于在实际过程中，$N_{cls}$和$N_{reg}$差距过大，用参数$\lambda$平衡二者（如$N_{cls}$=256，$N_{reg}$=2400时设置$\lambda$=10 ），使总的网络Loss计算过程中能够均匀考虑2种Loss。

smooth L1损失函数

$L_{reg}$使用的soomth L1 loss，计算公式如下：

特别需要注意的是，在训练和检测阶段生成和存储anchors的顺序完全一样，这样训练结果才能被用于检测！
关于为何使用smooth L1损失函数，fast rcnn有一句话是：L1 loss that is less sensitive to outliers than the L2 loss used in R-CNN and SPPnet.它使得loss对于离群点更为鲁棒，L2的话它对离群点，异常值更敏感，容易发生梯度爆炸。而smooth是L1和L2损失函数的结合。