Faster R-CNN原理介绍

Faster R-CNN原理介绍

2017-01-17 分类：图像 阅读(16915) 评论(0) 

看本文之前需要先了解Fast RCNN。

Faster R-CNN提出了一种加快计算region proposals的方法，就是通过建立RPN（Region Proposal Network）网络。RPN是一个全连接的卷积网络，通过 end-to-end的方式训练出来高质量的region proposal。然后将Faster R-CNN训练好的卷积特征和Fast R-CNN共享（通过attention model）。

文章目录 [隐藏]

• 1 介绍
• 2 相关工作
  • 2.1 Object Proposals
  • 2.2 检测方面相关工作
• 3 Faster R-CNN
  • 3.1 Region Proposal Networks
  • 3.2 RPN训练数据的生成
  • 3.3 ROI Pooling的训练数据
  • 3.4 共享特征
  • 3.5 三种训练方式
  • 3.6 四步交替训练法
  • 3.7 训练细节
• 4 实现代码
• 5 论文

介绍

比较经典的region proposal方法是Selective Search，CPU耗时为2秒，EdgeBox是一种在准确率和效率之间做tradeoff的方式，耗时0.2秒，依然用了很长时间。

除了改进计算方式之外，其实还可以将Selective Search的计算放到GPU上面运行，但是放到GPU上就无法共享特征了。

作者提出，通过「Region Proposal Network」计算region proposals，在测试阶段，耗时只有10ms。

相关工作

Object Proposals

Object Proposals的提取方式有很多种，按照工作原理可以分为两大类：

1. grouping super-pixels， Selective Search属于此类

2. sliding windows，EdgeBox属于此类

文中还提到了三篇对比提取Object Proposals方法的论文，将来值得一看。

检测方面相关工作

1. R-CNN通过对候选region直接进行end-to-end的分类
2. OverFeat通过全连接层对localization坐标做预估，随后再用全连接层做检测

3. MultiBox通过一个神经网络生成候选proposal，然后将proposal作为detection网络输入。

   （此方式生成候选proposal的网络和detection网络没有共享feature）

4. DeepMask本文提出，下面介绍

Faster R-CNN

Region Proposal Networks

整体结构如下图：

关于anchor的理解：

利用anchor是从第二列这个位置开始进行处理，这个时候，原始图片已经经过一系列卷积层和池化层以及relu，得到了这里的 feature：51x39x256（256是层数）

在这个特征参数的基础上，通过一个3x3的滑动窗口，在这个51x39的区域上进行滑动，stride=1，padding=2，这样一来，滑动得到的就是51x39个3x3的窗口。

对于每个3x3的窗口，作者就计算这个滑动窗口的中心点所对应的原始图片的中心点。然后作者假定，这个3x3窗口，是从原始图片上通过SPP池化得到的，而这个池化的区域的面积以及比例，就是一个个的anchor。换句话说，对于每个3x3窗口，作者假定它来自9种不同原始区域的池化，但是这些池化在原始图片中的中心点，都完全一样。这个中心点，就是刚才提到的，3x3窗口中心点所对应的原始图片中的中心点。如此一来，在每个窗口位置，我们都可以根据9个不同长宽比例、不同面积的anchor，逆向推导出它所对应的原始图片中的一个区域，这个区域的尺寸以及坐标，都是已知的。而这个区域，就是我们想要的 proposal。所以我们通过滑动窗口和anchor，成功得到了 51x39x9 个原始图片的proposal。接下来，每个proposal我们只输出6个参数：每个 proposal 和 ground truth 进行比较得到的前景概率和背景概率(2个参数）（对应图上的 cls_score）；由于每个 proposal 和 ground truth 位置及尺寸上的差异，从 proposal 通过平移放缩得到 ground truth 需要的4个平移放缩参数（对应图上的 bbox_pred）。

所以根据我们刚才的计算，我们一共得到了多少个anchor box呢？

51 x 39 x 9 = 17900

约等于 20 k

bingo！

 

 

 

RPN的输入是任意大小的图像，输出是一组打过分的候选框（object proposals）。在卷积的最后一层feature map上使用固定大小的窗口滑动，每个窗口会输出固定大小维度的特征（图中256)，每一个窗口对候选的9个box进行回归坐标和分类（这里的分类表示box中是不是一个object，而不是具体的类别）。

为了将一个物体可以在不同的尺寸下识别出来，有两种主要的方式，1）对输入进行剪裁/缩放，2）对feature map进行不同大小的划窗，RPN则是采用了不同的方式。

生成训练数据的过程为先看anchor覆盖ground truth是否超过75%，超过就将当前anchor的object分类标记「存在」；如果都没有超过75%，就选择一个覆盖比例最大的标记为「存在」.

 

RPN的目标函数是分类和回归损失的和，分类采用交叉熵，回归采用稳定的Smooth L1，

SmoothL1公式为：

  SmoothL1(x)={0.5x2|x|−0.5|x|<1otherwiseSmoothL1(x)={0.5x2|x|<1|x|−0.5otherwise

整体损失函数具体为：

到这里还有一个地方没有说清楚，就是9类anchor都是固定位置和大小的（当前window），回归的时候怎么回归？其实9个anchor是会变化的，要学回归的就是每一个anchor平移比例和缩放比例的信息。

如果网络足够聪明，并且当前window只有一个object，所有anchor，通过平移和缩放后，结果应该是一样的。下面为具体四个维度的计算方式：

训练的过程对正负样本进行抽样，保证比例为1：1.

RPN训练数据的生成

输入是一张图片，这个不用多说了，对VGG16来说，conv5卷积输出大小为W*H/16,一共有anchor数量为A=W*H/16*3*3,类别个数为2*A，回归的bounding box为 4*A。前向传播会将2A+6A个数据都计算出来，反向传播的时候会根据gt_data只会挑出来出来部分anchor进行反向传播。具体代码：

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# classification loss rpn_cls_score = tf.reshape(self.net.get_output('rpn_cls_score_reshape'),[-1,2])  #这个是通过卷积计算出来的 rpn_label = tf.reshape(self.net.get_output('rpn-data')[0],[-1])  #这个是gt推导出来的,使用gt推导的时候,并不考虑bbox的信息,只是根据原始的anchor的覆盖情况阈值+规则决定lable为0还是1还是-1 # ignore_label(-1) rpn_cls_score = tf.reshape(tf.gather(rpn_cls_score,tf.where(tf.not_equal(rpn_label,-1))),[-1,2]) rpn_label = tf.reshape(tf.gather(rpn_label,tf.where(tf.not_equal(rpn_label,-1))),[-1]) rpn_cross_entropy = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=rpn_cls_score,labels= rpn_label))     # bounding box regression L1 loss # 这里的实现和论文中不一致,论文中只考虑label=1的参与训练,这里可以让正负样本瓜分权重 # L1 smooth 中分段函数变为0.5*9*x^2 和  x- 0.5/9, 疑问 rpn_bbox_pred = self.net.get_output('rpn_bbox_pred') rpn_bbox_targets = tf.transpose(self.net.get_output('rpn-data')[1],[0,2,3,1]) rpn_bbox_inside_weights = tf.transpose(self.net.get_output('rpn-data')[2],[0,2,3,1]) rpn_bbox_outside_weights = tf.transpose(self.net.get_output('rpn-data')[3],[0,2,3,1]) smoothL1_sign = tf.cast(tf.less(tf.abs(tf.subtract(rpn_bbox_pred, rpn_bbox_targets)),1),tf.float32) rpn_loss_box = tf.multiply(tf.reduce_mean(tf.reduce_sum(tf.multiply(rpn_bbox_outside_weights,tf.add(                tf.multiply(tf.multiply(tf.pow(tf.multiply(rpn_bbox_inside_weights, tf.subtract(rpn_bbox_pred, rpn_bbox_targets))*3,2),0.5),smoothL1_sign),                tf.multiply(tf.subtract(tf.abs(tf.subtract(rpn_bbox_pred, rpn_bbox_targets)),0.5/9.0),tf.abs(smoothL1_sign-1)) )), reduction_indices=[1,2])),10)

 

ROI Pooling的训练数据

在测试（inference）的时候，ROI Pooling从RPN网络得到候选的roi列表，通过conv5拿到所有的特征，进行后面的分类和回归。

在训练的时候，如果还是只使用RPN预测的roi可能会训练速度很慢或者loss就不收敛。这里需要对拿到的roi列表数据进行一些改造。

1. 将ground-truth box加入到rpn_roi
2. 通过rpn_roi和ground-truth box对比，调整覆盖覆盖比例

比较巧妙的一点是R-CNN的分类label生成和bbox的label生成，方法就是训练的时候根据每次生成的rpn_roi和gt对比，生成相应的标注信息，反向传播的时候只将目标类别的loss权重不为0，达到反向传播的时候只考虑正确的分类。

共享特征

这里说的特征共享，是指RPN和Fast R-CNN的特征共享，也就是生成候选和检测之间的共享。算法的整个流程如下图：

可以看到，卷积层可以让RPN和后面R-CNN公用。

三种训练方式

1. 交替训练，先训练RPN->Fast R-CNN -> RPN -> Fast R-CNN这样一直迭代
2. 近似联和训练，将每一次反向传播的RPN的梯度和Fast R-CNN的梯度合并
3. 联和训练，从Fast R-CNN一直往后传递，RPN看做是Fast R-CNN的输入

四步交替训练法

• 第一步，训练RPN网络，通过使用ImageNet数据预训练好的网络初始化网络，然后进行end-to-end的fine-tune
• 第二步，使用Fast R-CNN训练模型，将上一步RPN的输出的region proposals作为输入，同时也用ImageNet的预训练好的网络初始化，此时RPN和Fast R-CNN没有共享网络。
• 第三步，使用Fast R-CNN训练的网络初始化RPN的网络，接着训练fine-tune RPN网络中非公共部分
• 第四步，对Fast R-CNN进行fine-tune，只修改非公共部分

后两步骤可以迭代进行，论文作者发现迭代带来很少的收益。

训练细节

由于图片是固定大小的，feature map中的anchor box可能并非完全在照片内部，需要将所有有外漏的anchor box都删掉。作者发现，如果不删掉就可能导致最终的训练不收敛。测试的时候，由于proposal boxes是RPN网络预测出来的，所以可能会导致「不完全在图像内」，处理方式是将超出图片的部分使用就近的图片边界替代。

为了减少RPN生成的region重叠的问题，通过NMS（non-maximum suppression）对重叠的region进行删减。

 

实现代码

python https://github.com/rbgirshick/py-faster-rcnn

Tensorflow 实现：https://github.com/smallcorgi/Faster-RCNN_TF

论文

《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》