Faster R-CNN 论文阅读

Faster R-CNN


原文:Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. MIT Press, 2015:91-99.

译文参考:Faster R-CNN论文翻译——中英文对照


简介

目标检测网络依赖于Region Proposal算法假设目标位置,通过引入Region Proposal(网络RPN),与检测网络共享全图像卷积特征,使得Region Proposals的成本近乎为零。

如下图所示,图a采用的是图像金子塔(Pyramids Of Images)方法;图b采用的是滤波器金字塔(Pyramids Of Filters)方法;图c引入“锚”盒("Anchor" Boxes)这一概念作为多尺度和长宽比的参考,其可看作回归参考金字塔(Pyramids Of Regression References)方法,该方法可避免枚举图像、多尺度滤波器和长宽比。

Faster R-CNN 论文阅读_第1张图片
解决多尺度和尺寸的不同方案

为了将RPN与Fast R-CNN相结合,本文提出了一种新的训练策略:在region proposal任务和目标检测任务之间交替进行微调,同时保持proposals的固定。该方案能够快速收敛,两个任务之间并共享具有卷积特征的统一网络。

网络结构

Faster R-CNN由两个模块组成:

  • RPN,该模块采用“注意力”机制
  • Fast R-CNN检测器
Faster R-CNN 论文阅读_第2张图片

RPN

RPN以任意大小的图像作为输入,输出一组矩形的目标proposals,每个proposals都有一个目标得分。在实验中,假设两个网络(RPN和Fast R-CNN)共享一组共同的卷积层,并研究了具有5个共享卷积层的Zeiler和Fergus模型(ZF),以及具有13个共享卷积层的Simonyan和Zisserman模型(VGG-16)。

Faster R-CNN 论文阅读_第3张图片

为了生成region proposals,对最后的共享卷积层输出的卷积特征图谱使用一个小网络。该网络以卷积特征图谱的空间窗口作为输入,且每个滑动窗口映射到一个低维特征,所有空间位置共享全连接层。

本文中,。关于低维特征,ZF为256维,VGG为512维,其后为Relu激活函数。

该低维特征作为两个子全连接层———边界框回归层(box-regression layer, reg)和边界框分类层(box-classification layer, cls)的输入,其卷积核均为大小。

Anchors

对于每个滑动窗口位置,可同时预测多个region proposals,最大region proposals数为。因此,reg层具有个输出,用于编码k个边界框的坐标;cls层具有个得分,用于估计每个proposal是目标或不是目标的概率。

Anchors:k个proposals相对于个参考框是参数化形式。

The proposals are parameterized relative to reference boxes, which we call anchors.

anchor位于滑动窗口的中心,并与尺度和长宽比相关。默认情况,使用3个尺度和3个长宽比,在每个滑动位置产生个anchors。对于大小为的卷积特征图谱,共产生个anchors。

特性:平移不变性
多尺度anchors作为回归参考

基于anchor的方法建立在anchors金字塔(pyramid of anchors)上,参考多尺度和长宽比的anchor盒来分类和回归边界框,用于解决多尺度和多长宽比问题。

Faster R-CNN 论文阅读_第4张图片

mAP指平均精度均值,mean Average Precision。

Loss函数

为了训练RPN,为每个anchor分配一个二值标签。

正标签:

  • 与真值框的最高重叠交并比(Intersection-over-Union,IoU)比的anchor;
  • 与真值框的重叠IoU值超过0.7的anchor。

注:单个真值框可为多个anchor分配正标签。通常,采用第一个条件。在极少情况下,第二个条件可能无正样本。

负标签:IoU值低于0.3。

对Fast R-CNN中的多任务损失进行最小化。图像的损失函数为:

其中,是mini-batch数据中anchor的索引,是第i个anchor作为目标的预测概率。若anchor为正标签,真值;反之,。是表示预测边界框4个参数化坐标的向量,是正真值框的向量。分类损失为两个类别的对数损失;回归损失,其中为在Fast R-CNN一文中定义的鲁棒损失函数(平滑)。表示回归损失仅对正anchor激活,否则被禁用()。cls和rge层的输出分别由和组成。该两项使用和进行标准化,并使用平衡参数加权处理。等式中cls项根据mini-batch的大小进行归一化,而reg项根据anchor位置的数据进行归一化。默认情况下,从而使得cls和reg项的权重大致相等。

实验结果表明,值在宽泛的范围内不敏感,且对reg和cls两项的归一化可简化。

对于边界框回归,采用Rich feature hierarchies for accurate object detection and semantic segmentation一文中的4个坐标参数化方法:

t_X = (x - x_a) / w_a, \quad t_y = (y - y_a) / h_a, \\ t_W - log(w / w_a), \quad t_h = log(h / h_a), \\ t_X^* = (x^* - x_a) / w_a, \quad t_y^* = (y^* - y_a) / h_a \\ t^*_W = log(w^* / w_a), \quad t^*_h = log(h^* / h_a)

其中,和表示边界框的中心坐标及其宽和高。变量和分别表示预测边界框、anchor和真值框。

RPN训练策略

采样策略:以图像为中心。

在图像中随机采样256个anchors,用于mini-batch数据中损失函数的计算,正负样本的比例为。

若图像中的正样本数量少于128个,则使用负样本数据补充mini-batch中的数据。

从标准差为0.01的零均值高斯分布中提取权重来随机初始化所有的新网络层,而共享卷积层通过预训练ImageNet分类模型来初始化。同时,调整ZF网络的所有网络层,以及VGG网络的conv3_1之上的网络,用于节省内存的使用。对于60k的mini-batch数据,学习率为0.001;对于PASCAL VOC数据集中的20k的mini-bacth数据,学习率为0.0001。随机梯度下降算法的动量设置为0.9,重量衰减率为0.0005。

RPN和Fast R-CNN共享特征

训练具有共享特征网络的三个方法:

  • 交替训练。首先训练RPN,并使用这些proposals训练Fast R-CNN;然后,使用Fast R-CNN初始化RPN,重复上述过程。

本文使用的方法。

  • 近似联合训练。在训练期间,RPN和Fast R-CNN网络合并为一个网络。在每次SGD迭代中,前向传递生成region proposals,在训练Fast R-CNN检测器时作为固定的、预计算的proposals。共享层组合来自RPN损失和Fast R-CNN损失的反向传播信息。

相比于交替训练方法,训练时间减少了大约25~50%。

  • 非近似的联合训练。

版权印版权标识

你可能感兴趣的:(Faster R-CNN 论文阅读)