Faster-RCNN笔记

查看原文：http://www.wyblog.cn/2017/02/24/faster-rcnn%e7%ac%94%e8%ae%b0/

前言

本文是对Faster-RCNN进行原理性总结，对于具体细节，并未挖掘地很深入，还需要细读代码，如有纰漏，还请指正。

R-CNN，Fast-RCNN，Faster-RCNN

对于以上三者区别，用一张图能清楚地说明： 简单的来说，

• RCNN解决的问题是：用SS算法进行region proposal，然后把每个proposal都输入进CNN里进行detection。
• Fast-RCNN解决的问题是：用SS算法进行region proposal后，为什么不直接从feature map里找到原图卷积后映射的部分呢，这样才算fast。
• Faster-RCNN解决的问题是：SS算法region proposal太慢了，为什么不实现一个end to end的单独网络进行region proposal。

本文重点总结Faster-RCNN框架，其框架图为： 可以看到，整个网络为一个Fast-RCNN加一个RPN。RPN从feature map里提取特征，进行region proposal，代替了SS算法，然后Fast-RCNN网络利用RPN输出的bounding box进行classify，下面，这里就分别从这几个方面一一进行总结分析。

RPN网络

为了解决“为什么还要用Selective Search”这个问题，RBG一帮人等提出了同样使用CNN的方式，通过训练一个net来进行region proposal。这种想法有两个好处，其一，既然都是net，能不能把两种net给融合到一起，实现end to end的方式进行学习，其二，不再使用传统的Selective Search算法进行region proposal，那么就能大大地提高检测速度，实现真正的real-time dection。 首先看看RPN的框架图： 以上可以看到，RPN网络的输入，就是共享网络最后卷积层的输出conv feature map，这一层的输出大小跟我们自己选择模型有关，例如文献中试验的VGG16以及ZF网络，VGG16共含有13层共享卷积网络，ZF共含有5层共享卷积网络，这里使用ZF网络作为示例。 回到RPN框架图，它包括了一个卷积层(intermediate layer)以及两个全连接层(cls layer以及reg layer)，这里cls层是用来输出region是前景/背景的概率，而reg layer输出与bounding box有关的四个坐标值。这里，文献里引入了anchor的概念，通过anchor，就能从conv feature map映射回原图。 RPN网络具体流程是，在卷积层，卷积核的大小为3 * 3 * 256，但是由于intermediate layer固定了需要256维大小，所以对于每个固定点位的sliding window，有256种卷积核，所以实际上是用3 * 3 * 256 * 256的卷积核进行stride为1的卷积行为(对于VGG16模型，则卷积核大小为3 * 3 * 512 * 256)。而anchor指的就是sliding window中心那个点，文献里将这个anchor映射回原图，并取了以其为中心， aspect ratio分别为{1:1,1:2,2:1}以及scale分别为{128,256,512}这3 * 3=9种情况的bounding box。 重新整理一下，现在情况是将sliding window固定在一个位置上，则我们在intermediate layer得到了1 * 1 * 256的特征图，并且通过anchor机制，在原图上我们得到了9个形状大小不一的bounding box。对于cls layer，它的目的是给出两个概率值，所以最终对于每个 sliding window它的输出应该是2 * 9=18个值；而对于reg layer，它是为了给出对标准框进行回归的结果，有4个值，所以对于每个sliding window它的输出应该是4 * 9=36个值。那么从intermediate layer到cls layer，我们就需要一个1 * 1 * 256 * 18的卷积核进行卷积，对于intermediate layer到reg layer，就需要一个1 * 1 * 256 * 36的卷积核，而RPN的学习任务，自然就是去根据损失函数去学习这些卷积核的值了。 以上就是一个大致流程，在实际学习过程中，因为对于一张图片来说，负例框远远多于正例框，如果直接学习的话，那学习出的模型是有问题的，所以，文献里对各种anchor进行了采样，使得正负样本个数达到一致。首先去除anchor中与图片边界有交集的那些，然后采用非极大值抑制法去掉那些anchor中重合度比较高的，对于剩下的anchors，规定IoU>0.7的标记为正例，IoU<0.3的为负例，对于每个学习batch，采样256个随机的框(保证正负1:1)进行学习。

Bounding Box Regression

在RPN网络中，存在reg layer，这个层就是用来学习边框回归的。先想想为什么需要边框回归？因为在RPN网络中，我们给定的是固定大小形状的box，但是对于ground truth来说，肯定不可能恰好是这个形状，所以需要回归网络去学习如何将proposal出的box，尽可能地接近ground truth。如下图， P为proposal的框，G为ground truth，学习的目标就是从P->G'，使得G'更加接近G。这里对框进行微调的参数就有4个，2个平移参数tx、ty，两个缩放参数tw、th，其表达式为： 根据这些表达式要注意到，微调的参数值并不是实际上应该平移或者缩放的数值，而是一个占原框大小的一个比率值，并且对于缩放的系数，是取了对数函数，使得放大为正，缩小为负。 那么对于这个微调系统，输入与输出是什么呢？其实在上文中已经提到过了。对于输入，自然是intermediate layer的特征向量，输出就是以上四个微调参数值了。对于线性回归，其方程可以表示为Y=ωX，所以，这里的损失函数可定义为： 可以看到，损失函数是常规的所有样本点上四个参数的二次损失之和，为了避免过拟合，可以加入正则化项，最终目标即： 这样，在训练阶段，可以通过随机梯度下降法，就能找到最优参数ω，进而在预测阶段，根据提取的intermediate layer向量，就知道该如何平移缩放得到最优bounding box了，这就是边框回归过程。

ROI pooling

经过RPN网络，我们就能得到很多ROI区域(region of interest)，这些区域能够进入Fast-RCNN网络进行classify了。但是这里存在一个问题，proposal出的region形状大小不一，难道我们需要把它缩放到统一的尺寸再进行判别吗？这样经过缩放后的图片可能因为目标太小，被缩放后细节丢失地更严重了。所以，这里提出了一个ROI pooling layer，它可以在任意大小图片的feature map上，针对每一个ROI区域提出固定维度的特征表示，然后就能送进分类器进行分类识别了。具体过程可以看看未加入RPN的Fast-RCNN的流程图： 因为输入的ROI不是固定大小的，对于pooling网格大小，则需要根据输入图片的大小进行计算。假设pooling输出的尺寸大小为p_h，p_w，某个ROI区域的坐标为(x1，y1，x2，y2)，那么pooling的网格大小尺寸应该为： 经过pooling后，能够使用一个全连接层，使得生成一个特征向量，然后就能够送进softmax分类器里了。

Softmax classify

softmax分类器是logistic回归模型在多分类问题上边的推广，以下这篇博文讲的很清晰：

http://ufldl.stanford.edu/wiki/index.php/Softmax%E5%9B%9E%E5%BD%92

Faster-RCNN训练步骤

用一张图清晰地表示了训练过程： 从上可以看到，整个学习过程实际上是由两个独立的网络交替进行学习的过程。

• 第一步，先用ImageNet预训练模型初始化，并用它的参数去训练RPN的参数。
• 第二步，利用第一步生成的region proposal，再用新的ImageNet预训练模型进行Fast R-CNN的训练，使得ImageNet的 模型被fine-tuning。注意到这一步，因为使用的是新的ImageNet模型，所以跟上一步的模型没有任何关系，所以这两个网络目前还没有共享的卷积层。
• 第三步，利用已训练好的Fast-RCNN模型，固定共享卷积层的学习率，使得其中参数不变，然后再去fine-tuning第一步训练好的RPN模型参数，经过这一步，实际上已经实现了两个网络的融合，并且实现了共享卷积层。
• 最后一步，便是fine-tuning Faster-RCNN中RPN网络region proposal出来之后的那些层了。

参考资料

http://arxiv.org/abs/1506.01497 https://zhuanlan.zhihu.com/p/24916624?refer=xiaoleimlnote http://blog.csdn.net/qq_17448289/article/details/52871461 http://blog.csdn.net/u011534057/article/details/51247371

查看原文： http://www.wyblog.cn/2017/02/24/faster-rcnn%e7%ac%94%e8%ae%b0/