Faster RCNN 学习笔记

下面的介绍都是基于VGG16 Faster RCNN网络,各网络的差异在于Conv layers层提取特征时有细微差异,至于后续的RPN层、Pooling层及全连接的分类和目标定位基本相同.

 

一)、整体框架

我们先整体的介绍下上图中各层主要的功能

1)Conv layers提取特征图:

作为一种CNN网络目标检测方法,Faster RCNN首先使用一组基础的conv+relu+pooling层提取input imagefeature maps,feature maps会用于后续的RPN层和全连接层

2)RPN(Region Proposal Networks):

    RPN网络主要用于生成region proposals,首先生成一堆Anchor box,对其进行裁剪过滤后通过softmax判断anchors属于前景(foreground)或者后景(background),即是物体or不是物体,所以这是一个二分类;同时,另一分支bounding box regression修正anchor box,形成较精确的proposal(注:这里的较精确是相对于后面全连接层的再一次box regression而言)

3)Roi Pooling

该层利用RPN生成的proposalsVGG16最后一层得到的feature map,得到固定大小的proposal feature map,进入到后面可利用全连接操作来进行目标识别和定位

4)Classifier

    会将Roi Pooling层形成固定大小的feature map进行全连接操作,利用Softmax进行具体类别的分类,同时,利用L1 Loss完成bounding box regression回归操作获得物体的精确位置.

 

)、网络结构

现在,通过上图开始逐层分析

1)Conv layers

Faster RCNN首先是支持输入任意大小的图片的,比如上图中输入的P*Q,进入网络之前对图片进行了规整化尺度的设定,如可设定图像短边不超过600,图像长边不超过1000,我们可以假定M*N=1000*600(如果图片少于该尺寸,可以边缘补0,即图像会有黑色边缘)

   13conv层:kernel_size=3,pad=1,stride=1;

卷积公式:

             所以,conv层不会改变图片大小(即:输入的图片大小=输出的图片大小)

   13relu层:激活函数,不改变图片大小

   4pooling层:kernel_size=2,stride=2;pooling层会让输出图片是输入图片的1/2

       经过Conv layers,图片大小变成(M/16)*(N/16),即:60*40(1000/1660,600/1640);则,Feature Map就是60*40*512-d(注:VGG16512-d,ZF256-d),表示特征图的大小为60*40,数量为512

 

2)RPN(Region Proposal Networks):

Feature Map进入RPN后,先经过一次3*3的卷积,同样,特征图大小依然是60*40,数量512,这样做的目的应该是进一步集中特征信息,接着看到两个全卷积,kernel_size=1*1,p=0,stride=1;

如上图中标识:

   rpn_cls60*40*512-d   1*1*512*18 ==> 60*40*9*2 

         逐像素对其9Anchor box进行二分类

   rpn_bbox60*40*512-d   1*1*512*36==>60*40*9*4

          逐像素得到其9Anchor box四个坐标信息(其实是偏移量,后面介绍)

  如下图所示:

  

 (2.1)Anchors的生成规则

      前面提到经过Conv layers后,图片大小变成了原来的1/16,令feat_stride=16,在生成Anchors时,我们先定义一个base_anchor,大小为16*16box(因为特征图(60*40)上的一个点,可以对应到原图(1000*600)上一个16*16大小的区域),源码中转化为[0,0,15,15]的数组,参数ratios=[0.512]scales=[8, 16, 32]

   先看[0,0,15,15],面积保持不变,长、宽比分别为[0.5, 1, 2]是产生的Anchors box

如果经过scales变化,即长、宽分别均为 (16*8=128)(16*16=256)(16*32=512),对应anchor box如图

综合以上两种变换,最后生成9Anchor box

   所以,最终base_anchor=[0,0,15,15]生成的9Anchor box坐标如下:

1 [[ -84.  -40.   99.   55.]  
2 [-176.  -88.  191.  103.]  
3 [-360. -184.  375.  199.]  
4 [ -56.  -56.   71.   71.]  
5 [-120. -120.  135.  135.]  
6 [-248. -248.  263.  263.]  
7 [ -36.  -80.   51.   95.]  
8 [ -80. -168.   95.  183.]  
9 [-168. -344.  183.  359.]] 

    特征图大小为60*40,所以会一共生成60*40*9=21600Anchor box

  源码中,通过width:(0~60)*16,height(0~40)*16建立shift偏移量数组,再和base_ancho基准坐标数组累加,得到特征图上所有像素对应的Anchors的坐标值,是一个[216000,4]的数组

 

 (2.2)RPN工作原理解析

为了进一步更清楚的看懂RPN的工作原理,将Caffe版本下的网络图贴出来,对照网络图进行讲解会更清楚

主要看上图中框住的‘RPN’部分的网络图,其中‘rpn_conv/3*3’是3*3的卷积,上面有提到过,接着是两个1*1的全卷积,分别是图中的‘rpn_cls_score’和‘rpn_bbox_pred’,在上面同样有提到过。接下来,分析网络图中其他各部分的含义

2.2.1)rpn-data

1.     layer {  
2.      name: 'rpn-data'  
3.      type: 'Python'  
4.      bottom: 'rpn_cls_score'   #仅提供特征图的height和width的参数大小
5.      bottom: 'gt_boxes'        #ground truth box
6.      bottom: 'im_info'         #包含图片大小和缩放比例,可供过滤anchor box
7.      bottom: 'data'  
8.      top: 'rpn_labels'  
9.      top: 'rpn_bbox_targets'  
10.      top: 'rpn_bbox_inside_weights'  
11.      top: 'rpn_bbox_outside_weights'  
12.      python_param {  
13.        module: 'rpn.anchor_target_layer'  
14.        layer: 'AnchorTargetLayer'  
15.        param_str: "'feat_stride': 16 \n'scales': !!python/tuple [8, 16, 32]"  
16.      }  
17.    } 

这一层主要是为特征图60*40上的每个像素生成9Anchor box,并且对生成的Anchor box进行过滤和标记,参照源码,过滤和标记规则如下:

    去除掉超过1000*600这原图的边界的anchor box

    如果anchor boxground truthIoU值最大,标记为正样本,label=1

    如果anchor boxground truthIoU>0.7,标记为正样本,label=1

    如果anchor boxground truthIoU<0.3,标记为负样本,label=0

     剩下的既不是正样本也不是负样本,不用于最终训练,label=-1

     什么是IoU:

     

 

     除了对anchor box进行标记外,另一件事情就是计算anchor boxground truth之间的偏移量

   令:ground truth:标定的框也对应一个中心点位置坐标x*,y*和宽高w*,h*

    anchor box: 中心点位置坐标x_a,y_a和宽高w_a,h_a

    所以,偏移量:

    x=(x*-x_a)/w_a   y=(y*-y_a)/h_a 

   △w=log(w*/w_a)   h=log(h*/h_a)

    通过ground truth box与预测的anchor box之间的差异来进行学习,从而是RPN网络中的权重能够学习到预测box的能力

 

2.2.2) rpn_loss_clsrpn_loss_bboxrpn_cls_prob

下面集体看下这三个,其中‘rpn_loss_cls’、‘rpn_loss_bbox’是分别对应softmaxsmooth L1计算损失函数,‘rpn_cls_prob’计算概率值(可用于下一层的nms非最大值抑制操作)

补充:

     ①   Softmax公式计算各分类的概率值

      ② Softmax Loss公式RPN进行分类时,即寻找最小Loss

’rpn-data’中已经为预测框anchor box进行了标记,并且计算出与gt_boxes之间的偏移量,利用RPN网络进行训练。

RPN训练设置:在训练RPN时,一个Mini-batch是由一幅图像中任意选取的256proposal组成的,其中正负样本的比例为11。如果正样本不足128,则多用一些负样本以满足有256Proposal可以用于训练,反之亦然

 

2.2.3)proposal

1.    layer {  
2.      name: 'proposal'  
3.      type: 'Python'  
4.      bottom: 'rpn_cls_prob_reshape' #[1,18,40,60]==> [batch_size, channel,height,width]Caffe的数据格式,anchor box分类的概率
5.      bottom: 'rpn_bbox_pred'  # 记录训练好的四个回归值△x, △y, △w, △h
6.      bottom: 'im_info'  
7.      top: 'rpn_rois'  
8.      python_param {  
9.        module: 'rpn.proposal_layer'  
10.        layer: 'ProposalLayer'  
11.        param_str: "'feat_stride': 16 \n'scales': !!python/tuple [4, 8, 16, 32]"
12.      }  
13.    } 

在输入中我们看到’rpn_bbox_pred’,记录着训练好的四个回归值△x, y, w, h

源码中,会重新生成60*40*9anchor box,然后累加上训练好的△x, y, w, h,从而得到了相较于之前更加准确的预测框region proposal,进一步对预测框进行越界剔除和使用nms非最大值抑制,剔除掉重叠的框;比如,设定IoU0.7的阈值,即仅保留覆盖率不超过0.7的局部最大分数的box(粗筛)。最后留下大约2000anchor,然后再取前Nbox(比如300个);这样,进入到下一层ROI Poolingregion proposal大约只有300

用下图一个案例来对NMS算法进行简单介绍

Faster RCNN 学习笔记_第1张图片

如上图所示,一共有6个识别为人的框,每一个框有一个置信率。 
现在需要消除多余的:

·     按置信率排序: 0.95, 0.9, 0.9, 0.8, 0.7, 0.7

·     取最大0.95的框为一个物体框

·     剩余5个框中,去掉与0.95框重叠率IoU大于0.6(可以另行设置),则保留0.9, 0.8, 0.7三个框

·     重复上面的步骤,直到没有框了,0.9为一个框

·     选出来的为: 0.95, 0.9

所以,整个过程,可以用下图形象的表示出来

Faster RCNN 学习笔记_第2张图片

其中,红色的A框是生成的anchor box,而蓝色的G’框就是经过RPN网络训练后得到的较精确的预测框,绿色的Gground truth box

 

2.2.4)roi_data

1.      layer {  
2.      name: 'roi-data'  
3.      type: 'Python'  
4.      bottom: 'rpn_rois'  
5.      bottom: 'gt_boxes'  
6.      top: 'rois'  
7.      top: 'labels'  
8.      top: 'bbox_targets'  
9.      top: 'bbox_inside_weights'  
10.      top: 'bbox_outside_weights'  
11.      python_param {  
12.        module: 'rpn.proposal_target_layer'  
13.        layer: 'ProposalTargetLayer'  
14.        param_str: "'num_classes': 81"  
15.      }  
16.    }  

为了避免定义上的误解,我们将经过‘proposal’后的预测框称为region proposal(其实,RPN层的任务其实已经完成,roi_data属于为下一层准备数据)

主要作用:

       RPN层只是来确定region proposal是否是物体(/),这里根据region proposalground truth box的最大重叠指定具体的标签(就不再是二分类问题了,参数中指定的是81)

       计算region proposalground truth boxes的偏移量,计算方法和之前的偏移量计算公式相同

经过这一步后的数据输入到ROI Pooling层进行进一步的分类和定位.

 

3)ROI Pooling:

1.    layer {  
2.      name: "roi_pool5"  
3.      type: "ROIPooling"  
4.      bottom: "conv5_3"   #输入特征图大小
5.      bottom: "rois"      #输入region proposal
6.      top: "pool5"     #输出固定大小的feature map
7.      roi_pooling_param {  
8.        pooled_w: 7  
9.        pooled_h: 7  
10.        spatial_scale: 0.0625 # 1/16  
11.      }  
12.    }

从上述的Caffe代码中可以看到,输入的是RPN层产生的region proposal(假定有300region proposal box)VGG16最后一层产生的特征图(60*40 512-d),遍历每个region proposal,将其坐标值缩小16倍,这样就可以将在原图(1000*600)基础上产生的region proposal映射到60*40的特征图上,从而将在feature map上确定一个区域(定义为RB*)

feature map上确定的区域RB*,根据参数pooled_w:7,pooled_h:7,将这个RB*区域划分为7*7,即49个相同大小的小区域,对于每个小区域,使用max pooling方式从中选取最大的像素点作为输出,这样,就形成了一个7*7feature map

       细节可查看:https://www.cnblogs.com/wangyong/p/8523814.html

以此,参照上述方法,300region proposal遍历完后,会产生很多个7*7大小的feature map,故而输出的数组是:[300,512,7,7],作为下一层的全连接的输入

 

4)、全连接层:

经过roi pooling层之后,batch_size=300, proposal feature map的大小是7*7,512-d,对特征图进行全连接,参照下图,最后同样利用Softmax LossL1 Loss完成分类和定位

 

通过full connect层与softmax计算每个region proposal具体属于哪个类别(如人,马,车等),输出cls_prob概率向量;同时再次利用bounding box regression获得每个region proposal的位置偏移量bbox_pred,用于回归获得更加精确的目标检测框

即从PoI Pooling获取到7x7大小的proposal feature maps后,通过全连接主要做了:

4.1)通过全连接和softmaxregion proposals进行具体类别的分类

4.2)再次对region proposals进行bounding box regression,获取更高精度的rectangle box

 

作为一枚技术小白,写这篇笔记的时候参考了很多博客论文,在这里表示感谢,同时,未经同意,请勿转载....

转载于:https://www.cnblogs.com/wangyong/p/8513563.html

你可能感兴趣的:(人工智能,python)