Faster-RCNN论文总结

可以参考：https://blog.csdn.net/u014696921/article/details/52824097系列

1、主要解决的问题：

   （1）提出区域建议网络RPN（Region Proposal Networks），快速生成候选区域；

   （2）通过交替训练，使RPN和Fast-RCNN网络共享参数（共享卷积层）。

2、比较RCNN、Fast RCNN、Faster RCNN

    

3、Faster RCNN结构核心

      FasterRCNN结构：区域生成网络RPN + FastRCNN; 用区域生成网络代替FastR-CNN中的Selective Search

4、Faster RCNN框架

Faster-R-CNN算法由两大模块组成：

（1）PRN候选框提取模块；

（2）Fast R-CNN检测模块。

其中，RPN是全卷积神经网络，用于提取候选框；Fast R-CNN基于RPN提取的proposal检测并识别proposal中的目标。

5、RPN

RPN的核心思想是使用CNN卷积神经网络直接产生Region Proposal，使用的方法本质上就是滑动窗口（只需在最后的卷积层上滑动一遍），因为anchor机制和边框回归可以得到多尺度多长宽比的Region Proposal。

RPN网络也是全卷积网络（FCN，fully-convolutional network），可以针对生成检测建议框的任务端到端地训练，能够同时预测出object的边界和分数。只是在CNN上额外增加了2个卷积层（全卷积层cls和reg）。

①将每个特征图的位置编码成一个特征向量（256dfor ZF and 512d for VGG）。

②对每一个位置输出一个objectness score和regressedbounds for k个region proposal，即在每个卷积映射位置输出这个位置上多种尺度（3种）和长宽比（3种）的k个（3*3=9）区域建议的物体得分和回归边界。

RPN网络的输入可以是任意大小（但还是有最小分辨率要求的，例如VGG是228*228）的图片，输出一组矩形框代表物体推荐区域，每个区域都会有一个物体性的打分。

RPN的具体流程如下：使用一个小网络在最后卷积得到的特征图上进行滑动扫描，这个滑动网络每次与特征图上n*n（论文中n=3）的窗口全连接（图像的有效感受野很大，ZF是171像素，VGG是228像素），然后映射到一个低维向量（256d for ZF / 512d for VGG），最后将这个低维向量送入到两个全连接层，即bbox回归层（reg）和box分类层（cls）。sliding window的处理方式保证reg-layer和cls-layer关联了conv5-3的全部特征空间。

reg层：预测proposal的anchor对应的proposal的（x,y,w,h）

cls层：判断该proposal是前景（object）还是背景（non-object）。

                        

6、anchor box

在每个滑窗位置，我们同时预测多个区域推荐，每个位置的最大区域推荐数量为k。这样reg层就有4k的输出编码k个框的坐标，cls就有2k的预测对象还是非对象的概率的打分。k个推荐是针对k个参考框进行参数化的，这个参考框我们称之为锚点（anchor）。一个锚点就是正在关注的滑窗的中心，并和缩放比例、宽高比想关联。默认使用3个缩放尺度和3个宽高比，在每个滑动位置产生k=9个锚点。对于一个WxH大小的卷积特征图，总共有W*H*k个锚点。

                                 

7、损失函数

8、如何训练RPN与Fast RCNN共享卷积层

第一步，我们依上述训练RPN，该网络用ImageNet预训练的模型初始化，并端到端微调用于区域推荐任务。第二步，我们利用第一步的RPN生成的推荐框训练一个单独的FastR-CNN检测网络，这个检测网络同样是由ImageNet预训练的模型初始化的，这时候两个网络还没有共享卷积层。

第三步，我们用检测网络初始化RPN训练，但我们固定共享的卷积层，并且只微调RPN独有的层，现在两个网络共享卷积层了。

第四步，保持共享的卷积层固定，微调FastR-CNN的fc层。这样，两个网络共享相同的卷积层，构成一个统一的网络。

RPN网络得到的大约2万个anchor不是都直接给Fast-RCNN；

跨越图像边界的anchor box要小心处理。在训练中，我们忽略所有跨越图像边界的anchor，这样它们不会对损失有影响；

有些RPN推荐框和其他推荐框大量重叠，为了减少冗余，我们基于推荐区域的cls得分，对其采用非极大值抑制（non-maximum suppression, NMS）。我们固定对NMS的IoU阈值为0.7，这样每个图像只剩2k个推荐区域。NMS不会影响最终的检测准确率，但是大幅地减少了建议框的数量。

最后留下大约2000个anchor，然后再取前N个box（比如300个）给Fast-RCNN。Fast-RCNN将输出300个判定类别及其box，对类别分数采用阈值为0.3的非极大值抑制（精筛），并仅取分数大于某个分数的目标结果（比如，只取分数60分以上的结果）。