Faster R-CNN算法（论文部分翻译+总结）

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

在Fast R-CNN中，候选区域的选择是用的Selective Search（SS）方法，因此在生成候选区域的这一步上要花费很长时间，几乎和检测时间一样长。本文提出了一种用深度网络生成候选区域的网络RPN，与检测网络的计算相比，使用该网络对候选区域的计算几乎不花费太多时间。

---

RPN的结构

RPN的输入是一个任意大小的图像，输出是一系列矩形候选区域，并且每个候选区域都有一个objectness score（objectness衡量的是一系列对象类和背景的关系）。为了让RPN与Fast R-CNN目标检测网络共享权值，论文假设两个网络共享一些卷积层。论文研究了ZF模型和VGG模型，在ZF模型中，有5个可共享的卷积层；在VGG模型中，有13个可共享的卷积层。

上图是RPN的结构（以ZF为参考模型）。conv feature map是由最后一个可共享的卷积层输出的特征图，其上的sliding window的大小是n × n，属于RPN中的第一个卷积层，它的作用相当于卷积操作中的滑动窗口。这篇论文中n=3，因为在输入图像上的有效感受野是很大的（ZF中是171个像素，VGG中是228个像素）。
整个RPN的结构是：
首先是n × n（3×3）的卷积层，其输出用ReLU函数激活；
然后将n × n（3×3）卷积层中每个sliding window映射到一个低维的向量中（ZF是256维，VGG是512维）；
最后向量通过两个同级的1×1的卷积层分为两路，再分别馈入到两个全连接层中——回归层（reg）和分类层（cls）。

---

Anchors

什么是anchor？ 在每个sliding window的位置上，同时预测k个候选区域，将这k个候选区域相对于k个参考框（大小已被预设）进行参数化，那么这k个参考框就是anchor。如上图的右边，一个sliding window中有k个大小不同的anchor，它们都是矩形区域。
每个anchor的中心点与sliding window的中心点重合，也就是说，anchor是以sliding window的中心点为基准，有不同的大小的形状。论文中，anchor有3种比例和3种长宽比，因此在每个sliding window中共有9个anchor，即k=9。对于一个大小为W×H的特征图来说，总共有WHk个anchor。
本论文所使用的方法中，anchor具有平移不变性——相对于anchor来计算候选区域的函数和anchor本身，anchor都是平移不变的。

---

训练RPN

1.损失函数

为了训练RPN，为每个anchor设置一个二分类标记（是一个对象/不是一个对象）。其中，有两种anchor可以被设置成positive：第一种，anchor与ground-truth box有最大的IoU；第二种，anchor与任一个ground-truth box的IoU大于0.7。一个ground-truth box可能会把多个anchor设置为positive。当anchor与所有ground-truth box的IoU小于0.3，那么将其设置为nagetive。
损失函数定义如下：

其中，i是一个anchor在一个mini-batch上的索引，$p_i$是anchor i 是否是一个对象的预测概率。$p^{\ast }$表示anchor是否为positive，当anchor是positive时，$p^{\ast }$=1；当anchor是nagetive时，$p^{\ast }$=0。$t_i$表示预测的边界框的4个坐标经过参数化后的向量，$t^{\ast }$表示与positive anchor相关的ground-truth box的坐标。

$L_{cls}$是一个log损失函数，它是基于两个类（是对象/不是对象）的分类损失函数。由$N_{cls}$进行归一化。

$L_{req}$($t_i$,$t^{\ast }$) = R($t_i$ - $t^{\ast }$)是回归函数。$p^{\ast }$$L_{req}$表示回归函数只能由positive anchor（$p^{\ast }$=1）激活，而当$p^{\ast }$=0时，这一项是没用的。由$N_{req}$和λ进行归一化。回归后的4个坐标参数化如下：

下标x，y代表box中心点的两个坐标，下标w代表深度，下标h代表高度。变量$x$表示预测的box，$x_a$表示anchor box，$x^{\ast }$表示ground-truth box。这可以看成是边界框从一个anchor box回归到一个邻近的ground-truth box。

2.训练过程的优化

论文中遵循Fast R-CNN中的“image-centric”采样策略来训练网络。每个mini-batch由包含了许多positive和negative anchor的图像产生。优化所有anchor的损失函数虽然是可行的，但由于负样本占了大多数，因此在优化时会更偏向负样本。论文采用的方法是，随机从一个图像中采样256个anchor来计算一个mini-batch的损失函数，在采样时，positive anchor和negative anchor的比例为1：1。如果一个图像中的正样本少于128，那么就用负样本填充这个mini-batch。
训练时，通过从零均值高斯分布（标准差为0.01）中抽取权重来随机初始化一个新的层，所有其它的层（比如共享的层）通过为ImageNet分类预训练一个模型来初始化。对于ZF网络，对所有层进行调整，对VGG网络，调整从conv 3_1开始的层，然后保存在内存中。在PASCAL数据集上，mini-batch大小为60000时，学习率为0.001；mini-batch大小为20000时，学习率为0.0001。使用的动量为0.9，权重衰减为0.0005。

3.RPN和Fast R-CNN实现共享权值

可以简单地将RPN和Fast R-CNN整合到一个单一网络中来实现权值共享吗？答案是否定的。因为Fast R-CNN的训练依赖于固定的候选区域，并且也不清楚在训练Fast R-CNN的同时改变候选机制，Fast R-CNN能否收敛。
论文提出一种算法通过交替优化来实现权值共享，有四个步骤：
1.用之前提到的方法训练RPN。RPN网络由一个预训练的ImageNet来初始化，并且经过了端到端的微调来生成候选区域。
2.将RPN生成的候选区域给Fast R-CNN，训练一个单独的检测网络。这个检测网络也由一个预训练的ImageNet来初始化。
3.用这个检测网络来初始化RPN，但是固定共享的卷积层不变，只对RPN的那几层微调。
4.保持共享的卷积层不变，用RPN的参数对Fast R-CNN的全连接层进行微调。

4.训练过程中的一些细节

anchor box的大小
在训练时，anchor box有三种面积大小：$128^2$，$256^2$，$512^2$；三种长宽比：1：1，1：2，2：1。当预测较大的候选区域时，允许anchor box的范围大于既定的感受野。这种预测之所以能够实现，是因为如果一个对象只有中间部分可见，依然能粗略的推断出对象的范围。通过这种设计，在预测较大的候选区域时不需要多尺度特征和多尺度sliding window，从而节省了运行时间。

过界anchor的处理
在训练时，忽略那些超过图像边界的anchor，因此这些anchor不会对损失函数造成影响。相反，如果没有忽略这些anchor，会在检测结果中引入较大且难以校正的误差项，并且训练不会收敛。但是在训练时，依然将RPN应用于整个图像，这可能会产生超过图像边界的候选框，解决方法是将它们裁剪到图像边界。

处理重叠的候选区域
RPN生成的一些候选区域可能会互相重叠，解决方法是用non- maximum suppression (NMS)。将NMS的IoU阈值固定为0.7，这使每个图像大约有2k个候选区域。 NMS并不会损害最终的检测精度，但是会大大减少候选区域的数量。 在NMS之后，选择排名前N位的候选区域进行检测。