Faster Rcnn详解及代码解读

 1.backbone含义

        backbone用于特征提取，通常使用的是VGG16或者ResNet网络，其中要经过4个pooling层，且经过多层卷积后层数也发生了变化，但仍要保证在进行下一次池化之前，特征图深度为上一次池化之前深度的两倍。故第一个pooling层的strides=4，第二个的strides=2，第三个的pooling层的strides=2，第四个的pooling层的的strides=2，所以得到的特征图的shape分别为：[1, 304, 304, 256]、[1, 152, 152, 512]、[1, 76, 76, 1024]、[1, 38, 38, 2048]。由图可知此时获取到的是C2、C3、C4、C5层是经过池化得到的。C1层未经过池化。

C2,C3,C4,C5 = model.backbone(image,training=False)
#此处的model直接调用backbone()函数，返回为上述的4个特征图

2.FPN层及特征金字塔

        经过backbone获取到了4张特征图，为了更好的检测图像，引入FPN概念，由图可知，[1, 38, 38, 2048]的特征图经过两倍放大的上采样后，与[1, 76, 76, 1024]经过1层的kernel_size=1的卷积核进行卷积。  

         由上图可知，经过FPN层（自上而下的上采样然后与同层相加）后，会获得M5、M4、M3、M2特征图。

P2,P3,P4,P5 = model.neck([C2,C3,C4,C5],training=False)

        此时获得到的P2、P3、P4、P5，P6的特征图，是M2、M3、M4、M5特征图经一个3*3的卷积核得到的，且P6特征图直接由P5特征图进行下采样得到。5张特征图的shape为：[1, 304, 304, 256]、[1, 152, 152, 512]、[1, 76, 76, 1024]、[1, 38, 38, 2048]、[1, 19, 19, 256]。获得特征融合后的5张特征图

3.RPN层生成候选区域及流程详解

RPN层的主要流程：

1、生成一系列的固定参考框anchors,覆盖图像的任意位置，然后送入后续网络中进行分类和回归

2、分类分支：通过softmax分类判断anchor中是否包含目标

3、回归分支：计算目标框对于anchors的偏移量，以获得精确的候选区域

4、最后的Proposal层则负责综合含有目标的anchors和对应bbox回归偏移量获取候选区域，同时剔除太小和超出边界的候选区域。

详细流程

        (1)anchors，多尺度、多长宽比，例如：尺度为32、64、128，长宽比为：1：1，1:2，2：1的一组anchors。一般有RPN的情况下，每个特征图上生成一个尺度，三个长宽比的anchors即3个anchors。没有RPN的情况下则生成如下图的9个anchors

        故，因为使用了FPN，所以每个像素点生成3个anchors，对应于上述经FPN生成的5张特征图上生成anchors，anchors的数量为：3043043+1521523+76763+38383+19193=369303，可通过以下代码获得,其中所传参数为imagemeta是图像的元信息。此处根据generate_pyramid_anchors()函数可知，需要传递图像的元信息，通过5张特征图获取到了所有的anchors。返回的anchors为所有的anchor在原图的坐标，shape为[369303, 4]。

# 产生anchor：输入图像元信息即可，输出anchor对应于原图的坐标值
anchors,valid_flags = model.rpn_head.generator.generate_pyramid_anchors(imagemeta)

可以通过visualize模块进行图像绘制，绘制在原图上的所有anchors

visualize.draw_boxes(rgd_image[0],boxes=anchors[:10000,:4])
plt.show()

 

        (2)在5张特征图上分别都声称了anchors后，然后每张特征图再经先做一个1x1的卷积，得到[batchsize,H,W,18]的特征图，然后进行变形,将特征图转换为[batchsize,9xH,W,2]的特征图后，送入softmax中进行分类，得到分类结果（判断）后，再进行reshape最终得到[batchsize,H,W,18]大小的结果,18表示k=9个anchor是否包含目标的概率值。

        举例子：P6特征图输出后的shape是[1, 19, 19, 256]，此时经过下图的1*1的卷积核后，shape变为[1,19,19,18]，此时经过Reshape模块，特征图的shape变为[1,9X19,9X19,2]，此时可以理解为特征图的H变为了9倍，即特征图像素变为了原来的9倍。每个像素点都对应了一个anchor。之所以第四维是2，是因为经过softmax后，判断是否存在物体，给出对应的概率。然后在经过Reshape模块，特征图又变为[1,19,19,18]。此时，特征图上9X19X19个anchors均经过softmax后给出了是否存在物体的概率，例如：存在0.6，不存在:0.4，对应的anchors的坐标值都已记录下来，后映射到真实的图像上。所以此时真实图像上的anchors中是否含有物体已经判断出来了。

 

        (3)由综合过程图可知，经过FPN后的模型，返回的5张不同尺寸的特征值，又经过下图中的1*1卷积，使得特征图的深度变为36，即为4x9的深度，其中9代表的是每个像素点有9个anchors，4代表的是经过回归后的尺寸变化，即[dx(A),dy(A),dw(A),dh(A)]，其中d表示变化率。

 

        该数值进行结合，求出预测的是anchor与真实值之间的平移因子和尺度因子。其中[dx(A),dy(A),dw(A),dh(A)]分别等于下图的tx、ty、tw、th，其中xa、ya、wa、ha表示anchor框的中心点x、y、w、h的值。  

        可以通过以下代码进行获取:其中model.rpn_head()出入的是特征图金字塔，返回：rpn_class_logits.shape=[1, 369303, 2]、rpn_probs.shape=[1, 369303, 2]、rpn_deltas.shape=[1, 369303, 4]  

# RPN网络的输入:FPN网络获取的特征图
rpn_feature_maps = [P2,P3,P4,P5,P6]
# RPN网络预测，返回：logits送入softmax之前的分数，包含目标的概率，对框的修正结果
rpn_class_logits,rpn_probs,rpn_deltas = model.rpn_head(rpn_feature_maps,training = False)

         其中rpn_class_logits表示每个anchor进行分类处理后的分类之后结果，即样本标签。rpn_probs为经过softmax后输出的概率，同时也反映了anchor中存在检测物体的置信度,其中第一列为存在物体的置信度，第二列为不存在物体的置信度，rpn_deltas返回的是上述的[dx(A),dy(A),dw(A),dh(A)]回归后的结果

  

        经过回归函数，此时能够获得每个anchor的置信度，我们可以通过代码，将置信度高的anchor绘制在图像上。

# 获取分类结果中包含目标的概率值
rpn_probs_tmp = rpn_probs[0,:,1]
# 获取前100个较高的anchor
limit = 100
ix = tf.nn.top_k(rpn_probs_tmp,k=limit).indices[::-1]
# 获取对应的anchor绘制图像上，那这些anchor就有很大概率生成候选区域
visualize.draw_boxes(rgd_image[0],tf.gather(anchors,ix).numpy())

      

         (4)Proposal层，经过了RPN的分类和回归，我们获得了如下的信息：所有的anchors是否存在物体的置信度，及[dx(A),dy(A),dw(A),dh(A)]的平移因子和尺度因子。通过model.rpn_head()函数获得了上述的两个结果。然后图像及特征图要经过Proposal层，进行anchor的修正获得最终的候选框。

Proposal层的处理流程如下：model.rpn_head.get_proposals(rpn_probs,rpn_deltas,imagemeta)

1. 利用RPN网络回归的结果对所有的anchors进行修正，得到修正后的检测框

2. 根据RPN网络分类的softmax输出的概率值由大到小对检测框进行排序，提取前6000个结果，即提取修正位置后的检测框

3. 限定超出图像边界的检测框为图像边界，防止后续roi pooling时候选区域超出图像边界。

4. 对剩余的检测框进行非极大值抑制NMS，即将6000个框进行极大值抑制。由下面的代码可知此时的框的个数为1533个。
5. Proposal层的输出是对应输入网络图像尺度的归一化后的坐标值[x1, y1, x2, y2]。到此RPN网络的工作就结束。

代码表示：

# 获取候选区域
proposals_list = model.rpn_head.get_proposals(rpn_probs,rpn_deltas,imagemeta)
#结果
proposals_list
[]

        返回的proposals_list就是经过回归处理后的候选框坐标。但是此时的坐标是经过了归一化处理了 所以绘制图像的时候 要乘以像素值1216。

visualize.draw_boxes(rgd_image[0],boxes=proposals_list[0].numpy()[:,:4]*1216)
plt.show()

4.ROIPooling

        RoI Pooling层则负责收集RPN网络生成的候选区域，并将其映射到特征图中并固定维度，送入后续网络中进行分类和回归。

        RoI Pooling 的作用过程，如下图所示：  

        Proposal层给出了候选框，此时的候选框中存在物体，且具有1533个，且类似于抠图的操作，相当于在原图上接触1533个图片。图片的H和W各不相同。ROIPooling层的作用就是将这些不同尺寸的图片，转化为统一尺寸的pool_H和pool_W。此处的尺寸改变是通过池化的方式改变的，如下图所示，所有的候选框都转变为7*7（该参数是超参数，可以改变）的格式，且每个小格内部取最大值。  

        此时要思考一个问题，FPN层给出了多种尺寸的特征图，Proposal层得到了多种尺寸的候选框，请问不同尺寸的候选框分别映射到了哪个特征图上了呢？

        在这里，不同尺度的ROI使用不同特征层作为ROI pooling层的输入，大尺度ROI就用后面一些的金字塔层，比如P5；小尺度ROI就用前面一点的特征层，比如P3，我们使用下面的公式确定ROI所在的特征层：

        其中，224是ImageNet的标准输入，k0是基准值，设置为4，w和h是ROI区域的长和宽，假设ROI是112x112的大小，那么k = k0-1 = 4-1 = 3，意味着该ROI应该使用P3的特征层。k值会做取整处理，防止结果不是整数，而且为了保证k值在2-5之间，还会做截断处理。由此可知根据ROI候选区域的长和宽确定映射到的特征图。  

# ROI Pooling层实现:输入是候选区域，特征图，图像的元信息
pool_region_list = model.roi_align((proposals_list,rcnn_feature_maps,imagemeta),training = False)
#输出结果为：每一个候选区域都被固定为7x7大小
[

5.目标分类和回归

        经过了ROIPooling层后，获得了统一H*W的特征图，此时经过后续的分类得到每个特征图都对应于哪个类别，该部分利用获得的候选区域的特征图，通过全连接层与softmax计算每个候选区域具体属于的类别（如人，车，电视等），输出概率值；同时再次利用回归方法获得每个候选区域的位置偏移量，用于回归更加精确的目标检测框。该部分网络结构如下所示：

从RoI Pooling层获取到固定大小的特征图后，送入后续网络，可以看到做了如下2件事：

1. 通过全连接和softmax对候选区域进行分类

2. 再次对候选区域进行回归修正，获取更高精度的检测框

实现流程如下：

首先获取网络分类和回归的结果：

# RCNN网络的预测:输入是ROIPooling层的特征，输出：类别的score,类别的概率值，回归结果
rcnn_class_logits,rcnn_class_probs,rcnn_deltas_list=model.bbox_head(pool_region_list,training=False）

 利用结果对候选区域进行修正：

# 获取预测结果:输入：rcnn返回的分类和回归结果，候选区域，图像元信息，输出：目标检测结果detection_list = model.bbox_head.get_bboxes(rcnn_class_probs,rcnn_deltas_list,proposals_list,imagemeta)

         结果为：一共检测出17个目标，前四个数据为每个目标的坐标位置，第五个数据为目标类别id，第六个数据为目标类别置信度。6个值构成。此处对生成的检测框做了NMS

[]

可以将其绘制在图像上：

# 绘制在图像上
visualize.draw_boxes(rgd_image[0],boxes=detection_list[0][:,:4])
plt.show(）