实时的神经网络:Faster-RCNN技术分析
INTRODUCTION
首先，论文回顾Fast-RCNN:与典型的RCNN不同的是，典型的RCNN使用Selective Search;而Fast-RCNN使用EdgeBoxes。直接取得性能上的优势,论文给出的数据是,Selective Search:2 seconds per image,而使用EdgeBoxes是0.2 seconds per image,也就是Fast-RCNN提高了十倍的速度.
然后, 论文指出Faster-RCNN( 可以看做是对 Fast-RCNN 的再次改进版):主要解决的是如何在RPN网络中快速获得 proposal, 作者在他的论文中提出，卷积后的特征图其实是可以用来生成 region proposals ! 所以,作者通过增加两个独立\平行的全连接层来实现 Region Proposal Networks (RPN) , 一个用来以回归方式生成推荐区域(region bounds)，另一个则是objectness score。
接着,作者強調:为了面对平移(缩放)不变性,经典做法有:对输入图片或者卷积网络里的滤波器进行整体尺度\矩形长宽比例的采样;而作者的做法是:对推荐区域(novel “anchor” boxes)进行尺度\矩形比例的采样.结果是,对推荐区域采样的模型,不管是速度还是准确率都取得很好的性能.
最后,为了将fully-convolutional network (FCN)的RPN 与 Fast-RCNN 相结合，作者给出了一种简单的训练方法：固定 proposals数目， 为训练RPN和Fast-RCNN, 这两个训练的task交替微调网络 ,交替过程实现卷积特征共享----注意这里就是大招!!!因此不需要重复的卷积计算, 共享卷积特征也让两个网络快速地收敛,所以,大幅地提高了网络的训练和测试(应用)速度------这就是Faster-RCNN的优势所在, 一种优雅并且高效的方案.
Region Proposal Networks
RPN的目的是实现"attention"机制,告诉后续的扮演检测\识别\分类角色的Fast-RCNN应该注意哪些区域,它从任意尺寸的图片中得到一系列的带有 objectness score 的 object proposals。具体流程是：使用一个小的网络在已经进行通过卷积计算得到的feature map上进行滑动扫描，这个小的网络每次在一个feature map上的一个窗口进行滑动(这个窗口大小为n*n----在这里,再次看到神经网络中用于缩减网络训练参数的局部感知策略receptive field,通常n=228在VGG-16,而作者论文使用n=3)，滑动操作后映射到一个低维向量(例如256D或512D,这里说256或512是低维,有些同学发邮件问我:n=3,n*n=9,为什么256是低维呢?那么解释一下:低维相对不是指窗口大小,窗口是用来滑动的!256相对的是a convolutional feature map of a size W × H (typically ∼2,400),而2400这个特征数很大,所以说256是低维.另外需要明白的是:这里的256维里的每一个数都是一个Anchor(由2400的特征数滑动后操作后,再进行压缩))最后将这个低维向量送入到两个独立\平行的全连接层:box回归层（a box-regression layer (reg)）和box分类层（a box-classification layer (cls)）。如下图所示:
Translation-Invariant Anchors
在计算机视觉中的一个挑战就是平移不变性:比如人脸识别任务中,小的人脸(24*24的分辨率)和大的人脸(1080*720)如何在同一个训练好权值的网络中都能正确识别. 传统有两种主流的解决方式,第一:对图像或feature map层进行尺度\宽高的采样;第二,对滤波器进行尺度\宽高的采样(或可以认为是滑动窗口). 但作者的解决该问题的具体实现是:通过卷积核中心(用来生成推荐窗口的Anchor)进行尺度、宽高比的采样。如上图右边，文中使用了3 scales and 3 aspect ratios （1:1,1:2,2:1）, 就产生了 k = 9 anchors at each sliding position.
A Loss Function for Learning Region Proposals
anchors(卷积核的中心)分为两类：与ground-truth box 有较高的 IoU 或 与任意一个 ground-truth box 的 IoU 大于0.7 的 anchor 都标为 positive label； 与所有 ground-truth box 的IoU 都小于0.3的 anchor 都标为 negative label。其余非正非负的都被丢掉。
对于每一个 anchor box i, 其 loss function 定义为：
L(pi,ti)=Lcls(pi,p?i)+λp?iLreg(ti,t?i)
其中， pi 是预测其是一个 object 的 probability ，当其label 为 positive 时， p?i 为1，否则为0。 ti={tx,ty,tw,th} 是预测的 bounding box， t?i 是与这个 anchor 相对应的 ground-truth box 。 classification loss Lcls 是一个二分类（是或者不是object）的 softmax loss 。regression loss Lreg(ti,t?i)=R(ti?t?i) , R 是 Fast R-CNN 中定义的 robust loss function (smooth-L1) ， p?iLreg 表示只针对 positive anchors ( p?i = 1). 这里还有一个平衡因子 λ , 文中设为10，表示更倾向于box location。
Optimization
使用 back-propagation(反向传播) and stochastic gradient descent (随机梯度) 对这个RPN进行训练，每张图片随机采样了256个 anchors , 这里作者认为如果使用所有的anchors来训练的话，this will bias towards negative samples as they are dominate。所以这里作者将采样的正负positive and negative anchors have a ratio of 1:1. 新增的两层使用高斯来初始化，其余使用 ImageNet 的 model 初始化。
Sharing Convolutional Features for Region Proposal and Object Detection
通过交替优化来学习共享的特征，共四个步骤：
- 1. 用 ImageNet 的 model 初始化一个RPN，然后针对 region proposal task 进行微调。
- 2. 利用第一步得到的 proposals 作为Fast-RCNN 的输入,来训练这个承担detection任务的network.注意: 到这里两个网络还是分开的，没有 share conv layers 。
- 3. 利用第二部训练好的Fast-RCNN来初始化 RPN ， 继续训练RPN，这里训练的时候固定 conv layers ，只微调仅属于RPN 那一部分的网络层。
- 4. 再固定 conv layers ，只微调仅属于 Fast-RCNN 的fc 层。
- 第4步结束后,我们已经共享了卷积层,接下来我们就可以进行交替训练(1-4).很好理解吧.
Implementation Details
每个 anchor , 使用 3 scales with box areas of 1282 , 2562 , and 5122 pixels, and 3 aspect ratios of 1:1, 1:2, and 2:1. 忽略了所有的 cross-boundary anchors 。在 proposal regions 上根据 cls scores 进行了 nonmaximum suppression (NMS) 。
Experiments
作者文中讨论的各种策略和参数进行各个数据集的实验和对应的数据结果.
Conclusion
纵观全文,详述了如何使用 Region Proposal Networks (RPN) 来生成 region proposals(通过卷积核中心(用来生成推荐窗口的Anchor)尺度和比例采样实现平移不变性) ，然后使用Fast-RCNN进行物体检测, 接着使用交替训练从而共享特征(也就是减少了网络参有数)----再次強調大招在这里!!!， 最终region proposal step is nearly cost-free,也就是近乎实时的性能.
总结: 另CNN在人工智能领域脱颖而出的是许多精妙的思想,受生物视觉所启发的局部感知策略，基于统计特性的权值共享，利用特征聚合的池化……这些tricks优化performance的同时，也以指数级递减了计算的复杂度，再者为架构并行和数据切分训练提供了可能。而作者通过交替训练方式进一步把参数共享的思想, 推到当前学术水平的极致.
转载请说明出处 http://blog.csdn.net/luopingfeng/article/details/51245694 谢谢!