论文学习11“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks” 文章学习

本文是何凯明大神他们组的faster rcnn文章

上图是faster RCNN一系列文章的发展历程与区别，从fast RCNN到faster RCNN主要区别就是建议框生成算法由SS变成了RPN，另外整个网络变成了一个整体的结构，使得算法进一步加快。

Faster RCNN的模型结构图如下图所示，RPN网络与检测网络共享卷积层，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）被统一到一个深度网络框架之内，实现了端对端的检测框架，大大提高了运行速度。

Faster RCNN可以简单地看做“区域生成网络+fast RCNN“的系统，用区域生成网络代替fast RCNN中的Selective Search方法。所以本文着重介绍了RPN的相关内容。

RPN是全卷积神经网络，用于提取候选框。之前的共享卷积层用ZF net，所以输入一个224*224的图像，经过卷积层特征提取变成51*39*256的特征图，其中256为通道数。RPN的作用就是将51*39*256的特征图输出建议框。而建议框的生成方式就是在共享的卷积层上进行小窗口（n*n）滑动，也就是一个n*n的卷积层，然后映射到256维的向量上，接着这个向量被喂给两个同级的全连接网络b box的回归和分类网络，全连接网络用1*1的卷积层实现，所以RPN网络是全卷积网络实现。

在RPN小窗口滑动时，每个中心作为anchor的中心，以3种尺度和三种长宽比生成3*3=9个anchor，而b box的回归层就是所有anchor的位置参数（4k，x,y,w,h），分类层的输出就是对每个建议框是目标/非目标的估计概率（2k，p1,p2）。Anchor拥有平移不变性，所以RPN所需要的参数非常少，减少过拟合的可能。

为了给每个anchor分配一个二分类的标签（是否是目标），作者定义正标签为两类（i）与某个ground truth（GT）包围盒有最高IoU重叠的anchor（也许不到0.7），（ii）与任意GT包围盒有大于0.7的IoU交叠的anchor。定义负标签为与所有GT包围盒的IoU比率都低于0.3的anchor，非负非正的anchor没有意义。根据以上，作者定义损失函数为：

其中，i是一个mini-batch中anchor的索引，Pi是anchor i是目标的预测概率。如果anchor为正，GT标签Pi* 就是1，如果anchor为负，Pi* 就是0。ti是一个向量，表示预测的包围盒的4个参数化坐标，ti* 是与正anchor对应的GT包围盒的坐标向量。

Lcls是两个类别（目标vs.非目标）的对数损失，定义为：

对于回归损失，为：

其中R是定义的鲁棒的损失函数（smooth L1）：

因为整个网络损失函数中定义为Pi*和回归损失函数的乘积，所以只有正样本时此项才有值，回归损失函数中的参数有：

其中不带*的为b box的参数，带*的是GT的参数。

RPN是全卷积网络实现，所以采用反向传播算法，用SDG进行优化，安装正负anchor1:1的比例随机地在一个图像中采样256个anchor，计算mini-batch的损失函数，共享卷积层用ImageNet预训练。

文中选择了4步训练算法，通过交替优化来学习共享的特征。 

第一步，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建议任务。第二步，利用第一步的RPN生成的建议框，由Fast R-CNN训练一个单独的检测网络，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，用检测网络初始化RPN训练，但固定共享的卷积层，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Fast R-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。

对于anchor，文中用3个简单的尺度，包围盒面积为128x128，256x256，512x512，和3个简单的长宽比，1:1，1:2，2:1提取大概20K个框，但文中忽略所有跨越图像边界的anchor，只剩下6K个框，然后采用非极大值抑制IoU阈值为0.7，这样每个图像只剩2k个建议区域，然后用2k个RPN建议框训练Fast R-CNN。

实验：

PASCAL VOC 2007上进行实验，结果如下表：

作者在此基础上也进行了很多对比实验，比如建议框数量，只选择前100个建议框时，mAP为55.1%，仍旧很好，但如果增加建议框至6K，不采用非极大值抑制，mAP值并不会提升，表明非极大值抑制算法不会降低检测mAP。另外作者分别去掉了分类和回归层，没有分类层时，从没有计算得分的区域随机抽取N个建议框。N =1k 时mAP几乎没有变化（55.8％），但当N=100则大大降低为44.6％。这表明，cls得分是排名最高的建议框准确的原因。在测试时移除reg层（这样的建议框就直接是anchor框了），mAP下降到52.1％。这表明，高品质的建议框主要归功于回归后的位置。单是anchor框不足以精确检测。 

其他的实验结果如下，faster rcnn在速度上明显高于其他网络，也就是因为RPN的速度比SS高很多，而且检测精度也有提升。

作者还进行了召回率的对比，如下图，该图显示，当建议框数量由2k下降到300时，RPN方法的表现很好。这就解释了使用少到300个建议框时，为什么RPN有良好的最终检测mAP。