目标检测——RCNN系列学习（二）Faster RCNN-编程知识

接着上一篇文章：目标检测——RCNN系列学习(一）-CSDN博客

主要内容包含：Faster RCNN

废话不多说。

Faster RCNN

[1506.01497] Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks (arxiv.org)https://arxiv.org/abs/1506.01497

1.Motivation

简要回顾一下之前的检测框架，RCNN和Fast RCNN都是基于Selective Search的，能否让网络自己去学习获取Region proposal的过程呢？

顺着这个思路，Kaiming等人提出了Region Proposal Networks（RPN模块），理解这个网络就成了学习Faster RCNN的关键，其余的操作其实和Fast RCNN是一模一样的。

2.Faster RCNN

（部分内容和图参考：一文读懂Faster RCNN - 知乎 (zhihu.com)）

2.1 网络结构

初看：

CNN（特征提取）+ RPN（获取Region Proposal，实现定位）+ ROI Pooling（解决多尺度输入问题）+ Classifier（预测类别与BoundingBox的修正）

细节：

这里的CNN传统采用VGG16为backbone，有一个细节：

所有的conv层都是：kernel_size=3，pad=1，stride=1
所有的pooling层都是：kernel_size=2，pad=0，stride=2

这涉及到网络前向计算时，特征图的尺寸变换，按照上述形式，假设池化的次数为n，那么最终得到的feature map的尺寸就是原始图像尺寸的1/2^n，4个pooling层就是1/16。

按照上面的尺寸变换，可以保证最终feature map上的点在原始像素空间都有对应点。

此外，还需要注意的一个点，CNN网络的输入图像，全部reshape成了800*600，这是为了便于网络的训练，方便组织成batch。

RPN网络可以说是Faster RCNN的核心，我们下面着重来讲解。

RPN网络的作用从他的名字就可以看出来，为了给出参考的Region proposal。传统的获取候选框的方法如滑动窗口、在原始图像空间进行SS操作，计算量太大，复杂度高，因此RPN的核心想法就是在feature map上获取候选框，做法就是在feature map的每一个点上，设置了一系列的anchor，作为了初始的检测框，虽然这样的初始检测框很不准确，但是后续有两次回归校正的机会。

什么是anchor?

本质上就是一组矩形框，存储时，4个值 (x1,y1,x2,y2) 表示矩形框的左上和右下角点坐标，长宽比为大约为 width:height∈{1:1,1:2,2:1} 三种。

RPN在为feature map上的每个点设置anchor时，除了设置长宽比，还考虑了anchor的尺度（在feature map下的尺度，在原始像素空间的尺度要乘上池化下降的倍率）。

以下图为例：蓝红绿对应了三个尺度，每个颜色下对应了三种长宽比：

上面数据流中RPN的操作对应了作者论文中的图：

RPN的做法：

假设Conv Layers最后的conv5层num_output=256，对应生成256张特征图，所以相当于feature map中的每个点都是256-dimension
在conv5之后，做了rpn_conv/3x3卷积且num_output=256，相当于每个点又融合了周围3x3的空间信息，同时256-d不变（聚合信息）
在conv5 feature map中每个点上有k个anchor（默认k=9，3组长宽比*3组尺度）
每个anchor需要区分是否是背景框，对应着上面第一条数据流，其中的18其实就是9个anchor对应positive和negative的概率，9个二分类任务

每个anchor需要进行坐标的回归，进行平移和伸缩变换，因此每个anchor都有(x, y, w, h)对应4个偏移量，所以reg=4*9=36 个坐标，对应下面这条之路
补充一点，全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练

最终，RPN在feature map上生成了一大堆的anchor框，映射回原始图像的尺度上，也就基本上覆盖了全图。

以上图的尺寸为例子，输入图像尺寸800*600，4个pooling层，则一共有(800/16)*(600/16)*9 = 17100个anchor框。

RPN最后用一个Proposal Layer来整合所有的信息，处理一些特殊的情况，如anchor太多、超出图像边界、某些框尺度太小等问题。

Proposal Layer

输入：anchor修正的坐标信息、anchor属于前景和背景的概率、图像信息（包含图像原始尺度和缩放大小[800，600，16]）

生成anchors，利用anchor修正的坐标信息对所有的anchors做bbox regression回归（这里是anchor与region proposal的回归，而不是anchor坐标与像素空间下GT的坐标的回归）
按照输入的positive softmax scores由大到小排序anchors，提取前pre_nms_topN(e.g. 6000)个anchors，即提取修正位置后的positive anchors (选择最有可能是前景的框)
限定超出图像边界的positive anchors为图像边界，防止后续roi pooling时proposal超出图像边界
剔除尺寸非常小的positive anchors
对剩余的positive anchors进行NMS（nonmaximum suppression）

输出：proposal=[x1, y1, x2, y2]，注意这里的输出坐标已经被映射回了原始图像尺度。

当proposal的框获取之后，我们的定位功能就已经实现了，接下来只需要进行进一步的坐标修正和图像识别。

RPN网络结构就介绍到这里，总结起来就是：
生成anchors -> softmax分类器提取positvie anchors -> bbox reg回归positive anchors -> Proposal Layer生成proposals

ROI pooling+Classifier

和Fast RCNN一样，不再多说。

2.2 网络训练

（1）待学习参数

整个Faster RCNN网络拆解来看，需要学习的网络参数包括以下四个部分：

CNN（特征提取）+ ROI Pooling（解决多尺度输入问题）+ Classifier（预测类别与BoundingBox的修正）+ RPN（获取Region Proposal，实现定位）

其中前面三个部分可以一起训练，最终的损失和RCNN很相似；而RPN网络单独训练。

（2）RPN部分损失函数：

公式中 $i$ 表示anchors index， $p_i$ 表示positive softmax probability， $p_i^*$ 代表对应的GT predict概率（即当第i个anchor与GT间IoU>0.7，认为是该anchor是positive， $p_i^*$ =1；反之IoU<0.3时，认为是该anchor是negative， $p_i^*$ =0；至于那些0.3<IoU<0.7的anchor则不参与训练）； $t$ 代表predict bounding box， $t^*$ 代表对应positive anchor对应的GT box。可以看到，整个Loss分为2部分：

cls loss，即rpn_cls_loss层计算的softmax loss，用于分类anchors为positive与negative的网络训练
reg loss，即rpn_loss_bbox层计算的soomth L1 loss，用于bounding box regression网络训练。注意在该loss中乘了 $p_i^*$ ，相当于只关心positive anchors的回归（其实在回归中也完全没必要去关心negative）

（3）四步交替迭代训练方式

Faster RCNN的训练方式可以是交替迭代的训练，也可以是端到端的训练方式，这里只是学习一下论文中提到的交替迭代的方式:

第一步：特征提取的CNN网络参数加载在ImageNet上预训练的模型参数，训练RPN网络，用于生成region proposal；

第二步：固定第一步训练好的RPN参数，拉通训练Fast RCNN网络，即CNN+ROI+两个分类器；

第三步：固定第二步学好的Fast RCNN参数，优化RPN参数；

第四步：固定第三步学好的RPN参数，优化Fast RCNN参数。

2.3 网络推理

训练好网络过后，我们来看一张图像中，目标是如何被检测出来的：

输入图片——resize到固定尺寸——经过CNN提出特征图feature map——RPN在该feature map上生成anchor对应的类别概率，判断anchor是否是待检测的物体，背景框舍去，同时，对于物体的框进行一系列操作，结合回归修正的坐标，输出在feature map上的region proposal——ROI pooling提取不同尺寸的region proposal的特征，映射成相同的尺度——两个fc层，一个输出识别的类别，一个输出框的进一步修正——最后输出最终的框的坐标，和框内物体的类别。