Faster RCNN论文详解

Faster RCNN

建议先阅读之前的RCNN和Fast RCNN后再来阅读此文

Faster RCNN PyTorch实现：https://github.com/codecat0/CV/tree/main/Object_Detection/Faster_RCNN

Faster RCNN提出了Region Proposal Network解决了Fast RCNN中selective search算法提取候选框速度太慢的问题。

1. Faster RCNN初识

• conv layers：通过$CNN$提取image的feature maps。此feature maps被共享用于后续的层
• Region Proposal Networl：用于生成region proposals。该层通过softmax判断anchors属于foreground还是background，再利用bounding box regression修正anchors以获得精确的proposals
• RoI pooling：该层收集输入的feature maps和proposals，综合这些信息后提取proposal feature maps，送入后续层进行检测
• classifier：利用proposal feature maps计算proposal的类别，同时再次通过bounding box regression获取检测框最终的精确位置

通过上述Faster RCNN的流程介绍，我们可以知道Faster RCNN与Fast RCNN之间的区别在于提取候选区域的不同，一个是通过训练一个Region Proposal Network来生成，而另一个则是通过Selective Search算法来生成。

接下来，我会重点介绍Region Proposal Network以及其anchor。

2. Faster RCNN详细网络结构

流程： 将一副任意大小$P\times Q$的图像缩放至固定大小$M\times N$，然后将$M\times N$大小的图像输入网络；其中conv layers包含了13个conv层+13个relu层+4个pooling层；RPN网络首先经过3x3卷积，再分别生成foreground anchors与bounding box regression偏移量，然后计算出proposals；而Roi Pooling层则利用proposals以及feature maps，提取proposal feature送入后续全连接和softmax网络作classification。

2.1 conv layers

conv layers部分共有13个conv层，13个relu层，4个pooling层（VGG网络中最后一个max pooling前的层）

• 所有的conv层都是： kernel_size=3 ， padding=1 ，stride=1，因此conv层不改变原图大小
• 所有的pooling层都是： kernel_size=2 ，padding=0 ， stride=2，pooling 层将原图缩小为原来的一半
• 经过conv layer后，一个MxN大小的矩阵将变为(M/16)x(N/16)

2.2 Region Proposal Network

RPN网络分为2条线，上面一条通过softmax分类anchors获得foreground和background（检测目标是foreground），下面一条用于计算anchors的bounding box regression偏移量，以获得精确的proposal。最后的Proposal层则负责综合foreground anchors和bounding box regression偏移量获取proposals

2.2.1 anchors

anchor为由一个中心点，周围生成了9个矩形，其矩形的有3种不同的尺寸，每个尺寸有3种不同的比例，分别为1:1, 1:2, 2:1，这样共9个不同的矩形，如下图左上角所示。

RPN遍历conv layers生成的feature maps，为feature map上的每一个点都配备这9种anchor作为初始的检测框，效果如下图右所示。这样做获得检测框很不准确，之后将会在RPN层，以及最后进行2次的bounding box regression修正检测框位置

如下图，对于每一个点的$k$个anchor来说，从feature maps提取出得特征具有256维，对于每一个anchor，需要分foreground与background，因此共有$2k$个score，对于每一个anchor共有$(x_1,y_1,x_2,y_2)$四个坐标值。因此共有$4k$个coordinates。

2.2.2 softmax判定foreground与background

确定候选区域标签的规则

• 与某个ground truth(GT)的IoU最大的区域的分配正标签
• 与任意GT的IoU大于0.7的区域分配正标签
• 与所有GT的IoU都小于0.3的区域分配负标签

2.2.3 bounding box regression原理

见RCNN论文详解中的第6部分

2.2.4 RPN流程

1. 生成anchors
2. 按照输入的foreground softmax scores由大到小排序anchors，提取前pre_nms_topN个anchors
3. 限定超出图像边界的foreground anchors为图像边界
4. 剔除非常小（面积和scores）的foreground anchors
5. 进行NMS，按照nms后的foreground softmax scores由大到小排序foreground anchors，提取前post_nms_topN个anchors

2.2.5 RPN 训练

整个网络的Loss如下:
$$L(p_i,t_i)=\frac{1}{N_{cls}}\sum _i{L}_{cls}(p_i,p_i^{\ast })+\lambda \frac{1}{N_{reg}}\sum _i{p}_i^{\ast }{L}_{reg}(t_i,t_i^{\ast })$$

其中：

• $i$表示anchors index

• $p_i$表示foreground softmax probability

• $p_i^{\ast }$代表对应的GT predict概率（如果anchor与GT间IOU>0.7,为1；反之IOU<0.3，为0；至于0.3

• $t$代表predict bounding box

• $t^{\ast }$代表对应foreground anchor对应的GT box

• cls loss，即softmax loss

• reg loss，即soomth L1 loss。注意在该loss中乘了$p_i^{\ast }$相当于只关心foreground anchors的回归

3. RoI Pooling layer

见FAST RCNN论文详解中的第3部分