【小白】——Faster R-CNN论文理解

写在前面：本文是在记录博主在查阅资料理解Faster R-CNN时的理解相关笔记，如有错误请大家及时指出

资料参考b站、原论文
https://www.bilibili.com/video/BV1pt411F73V?p=2
以及其他网络资源
原论文地址
https://arxiv.org/pdf/1506.01497.pdf

综述

• faster rcnn是在rcnn和fast rcnn的基础上发展而来，网络用于目标检测
• faster rcnn与前两者不同的地方主要就是候选框的选取方式，前两者是提前人工提供候选位置，而faster rcnn则是利用另外的网络来生成候选框，这样既减少了误差还可以提高运行速度

RCNN和Fast RCNN

• RCNN
  

  • 第一步输入原始图像，根据selective search算法获得许多候选框（约为2k），每一个候选框上的图片分别进行卷积，这样有了一堆卷积网络，所以比较慢。
  • 第二步各候选框经过了卷积网络后分别对结果进行类别的预测（SVM）和Bbox reg（回归器）的回归中分别获得类别和正确的框框

• SPPnet

  • 经过前期的共同卷积层之后,得到的特征图是大小不一的,此时让这些特征图都经过一个"spatial pyramid pooling layer",特征图较大的输出也较大,特征图小的输出也小,但是我们把这些输出连成一串.比如经过这样一个pooling之后会有16256-d、4256-d,1256d,那我们把他们整成一个21256-d的，这样在最后进入全连接层的时候可以确定形状了，不过要记得调整权重的相乘的位置。

• Fast R-CNN
  

  • 与R-CNN输入一致，但是只有一个卷积层，取消了一开始的selective search. 整体做完卷积之后，在特征映射图上选取RoIs(Region of Interests)，原因在于在这上面选取的RoI通过感受野可以回归到原来的输入图像的一小块。所以其实在特征映射图上找到的区域其实也反映了原图的区域。而上层的SPPnet则被替换成了RoI Pooling,他可以看做是SPP net的特殊情况。，这样就可以再去统一进入全连接层了。通过全连接层后分两路，一边是分类器，一边是回归器。分别对应类别一边对应框框的位置。问题在于还需要提前选取RoIs，实验也证明其大部分时间用在了RoI的选取。（见下图）
  • 

Faster RCNN网络

网络是将fast rcnn和RPN网络进行结合，其中RPN就是来实现寻找候选框的网络

• 总体思路
  
  • 看图可知，他从传过来的特征图中经过RPN网络产生了很多很多候选框，然后对候选框执行
  • 1. 做分类，这是个二分类，看他是物体还是不是物体
  • 2. 如果是一个物体的框那么做一个微调，让这个框和距离他最近的一个ground-truth标签框做一个回归任务来调整他的位置。
  • 现在还有个问题，我现在只知道他是物体还是不是物体，但是不知道他是什么物体呀，所以最后一层的分类任务则是一个多分类任务，同时呢再一次回归，再精确一下框的位置。
  • 这样他已经成为一个end to end 的网络了，并且可以做任何物体的检测了。

论文部分

摘要

1. RPN层是一个全卷积的层，没有全连接的层。
2. 很容易训练
3. 一秒5帧
4. 利用GPU提取候选框，核心是RPN层
5. RPN层做两件事，一个是分类任务，是否为物体，另一个是对是物体的部分进行框回归
6. 为了既检测出小物体又检测出大物体，传统方法是图片金字塔增加了输入，另一个方法是采用不同的filter的size，不过也增加了输入，现在的方法是利用RPN网络
7. 其中的VGG网络可以替换，比如残差网络，而且用到了许多商业的应用。

RPN网络(Region Proposal network)

一个RPN网络把一个任意大小的图片作为输入（全卷积），输出是一系列的框

• 他不是最终的结果，他输出的是框以及这个框是不是物体的一个得分，而不是属于哪个类的得分
• 为了产生候选框，需要一个滑动的网络。其实也可以就看做是另外一个卷积层，因为卷积操作就是在滑动一个filter
  
• 假设网络是VGG16，那么其中有4个pooling层，图片被缩小到原来的四分之一，那现在图像上的一个点岂不是涵盖了原来的16个像素点的内容？其实也就是说每个点映射到原图会有一个范围，那么我们怎么去找这个范围呢？可能这一个点映射到原图是一个正方形，现在我们不直接假定他是固定大小的正方形，而是把它变换，基于每个点生成一个框，再把框映射到原图出现不同的区域。在论文中，对每个点回溯映射了9个框，为3*3，第一个3是区域的长宽比有三类，第二个3是框的大小的种类。
• 现在得到了框，将这些框往下先再次进行卷积操作，可以理解为进一步提取特征（并且这样得到的结果中一个点又融合了上一层的9个点的信息），然后对这些anchors(这些框现在也叫做anchor)执行两类任务，一类是分类任务，另一类是回归任务。
• 在分类任务中，对每个框要判断是不是物体，因此有两个得分，前面提到产生了k个anchors，那么会有2k个分数；在回归任务中，每个框的位置由(x,y,w,h)确定，因此会出现4k个坐标，并得到他们回归值。
• 在两类任务中，分支之后分别会经过一个1*1的卷积层，这是在代替一个全连接层。

Anchors

• 为了考虑基础的物体大小，先产生了不同比例和不同初始大小的基础框，但并不是最终结果的比例。
• 假设原始图像是6001000的，那么特征图最后就是类似4060的，有2400个点，每一个点生成了9个anchors,每个anchor可以对应到原图另外的一个区域，于是这样就有了对应于原图的40609有两万多个框，这样的话对于一般的检测已经足够了。（但其实有些是多余的后续有过滤操作）

平移不变性

• 可以这样理解平移不变性：由于框足够多，各处都覆盖，那么假如有一个物体原来在A处现在到了B处，通过RPN网络之后计算仍然可以找到。

损失函数

• 对于分类任务来说，我们选了许许多多的框，同时这是有监督学习，提前也给定了许多的框（ground-truth）,假如有这样一个图里边有两个标签。现在有两种方式可以去评定候选框的质量，第一种是把和ground-truth的IoU最大的框评定为正例，第二种则是把IoU值大于某个值比如0.7的框标定为正例。

• IoU比较小的比如小于0.3当做负例，而0.3-0.7间的直接扔掉。
  

• 可以这样理解，pi是一个anchor,pi* 是一个ground-truth的框，第一项为分类的损失，第二项为位置的损失。并且当pi为正例时pi* =1,pi为负例时pi*=0,这样如果pi为负例，后面就没必要做位置的回归，前一项的损失也是在和0来做损失。

• lamba的值则是调整权重，论文中取得为10

• 看一下回归的损失函数：
  
  x为预测值，xa代表anchor的值，x是ground-truth的值。（以下为个人理解）通过tx获得anchor box和ground-truth box得到一个变换的指标，再通过这个变换的指标获得预测值。

训练RPN

• 网络通过SGD的下降法来训练
• 每次训练时只需要一张（mini batch=1）因为每张图产生的框足够多了
• 在图中随机选256个框（一开始我们提到有2万个框），我们这样做原因一是减少计算量，另外是过滤重复的东西并且能够能正确反映整体规律。一般选择128个正样本和128个负样本，但是负样本其实占绝大多数，所以如果正样本不够那就用负样本填充
• 权重初始化用高斯初始化，并且标准差为0.01

其他细节

• 一张图片传入的时候不是直接进入网络的，还是要进行调整的，会把短边resize成600左右
• anchor的比例会有128、256、512
• 有些框对应到原图上如果产生越界情况是不进行采用的，这样大概剩下6000个
• 测试的时候越界的框不会ignore而是裁剪一下
• 有很多框会重叠在一起，那么如果一堆重叠的框都在一起，这样重复了，没什么用还增加了计算量，对于重复的框进行非极大值抑制操作，假如现有一个A框有一个B框，IoU都大于0.7那么都是正例，假如A框得分0.75，B框得分0.9，那么抑制这个非极大值，即A框最后不要了，如果还有一个C框得分是0.95，那么A、B框都不要了，保留C框。这样的操作进一步筛选了有效的框。现在从6000变成2000左右个了。
• 对于剩下的框还可以取一个topn,只有前n个得分更高的分数的框会被留下来，其他的则不要了。

RPN与Fast R-CNN的融汇

• RPN网络得到了许多的框，接下来把框框到刚刚的feature map上，进行分类和回归任务即可