【深度学习】：Faster RCNN论文详解

最新推荐文章于 2025-02-24 10:19:27 发布

Allen Chou

最新推荐文章于 2025-02-24 10:19:27 发布

阅读量4.3k

点赞数 4

分类专栏： # 目标检测文章标签：深度学习计算机视觉 python

本文链接：https://blog.csdn.net/Vermont_/article/details/111275848

版权

目标检测专栏收录该内容

9 篇文章

订阅专栏

Faster RCNN详解

Faster RCNN 是在Fast RCNN的基础上，进一步改进，解决select search 算法选择候选框速度太慢的问题。

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
submit time: 2016
arxiv link

fast R-CNN和faster R-CNN之间的区别在于我们不使用特殊区域提议方法来创建region proposal。而是训练一个region proposal network（RPN），该网络将features map 作为输入并输出region proposals。然后将这些proposal输入Fast R-CNN中的RoI池化层。以下是fast RCNN与Faster RCNN的网络结构对比图。

由于frcnn的网络结构主要是两个网络组成，损失函数分为四个部分。

RPN分类损失：anchor是否为gt
RPN位置回归损失：anchor位置微调
ROI分类损失：ROI所属类别
ROI位置回归损失：继续对ROI位置微调

四个损失相加就是最后的损失，反向传播，更新参数。

Faster RCNN 关键步骤：

Conv layers。作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。
Region Proposal Networks。RPN网络用于生成region proposals。该层通过softmax判断anchors属于foreground或者background，再利用bounding box regression修正anchors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，送入后续全连接层判定目标类别。
Classification。利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。

Faster RCNN 网络是用于目标检测的一种比较流行的框架。它主要由以下四个部分组成：

分别是conv layer 输入为原始图片，用于提取图片的feature map；
RPN网络，输入为features map，用于生成region proposal，该层为features map 上每个像素生成若干个anchors（9个），随后通过softmax 判断每个anchor是属于foreground（目标）或者background（背景），再利用bounding box regression修正anchors获得精确的proposal位置；
RoI pooling，该层输入为proposal位置信息和features map，通过proposal的位置信息在features map 上提取region features map候选区，然后通过pooling产生一个固定长度的特征，送入全连接层进行目标判别；
classification，利用proposal feature maps计算proposal的类别，同时再次进行一次bounding box regression，对proposal位置进行精修，随后将结果输出。

总结一套介绍网络框架的先后顺序的方法。

可以先大后小，按照先后顺序从前到后，按功能性介绍一件事情，每件事情的功能介绍的时候，说清楚输入，工作流程附带其具体功能，输出。

Faster RCNN 详细网络结构如图：

将一副任意大小PxQ的图像，首先缩放至固定大小MxN，然后将MxN图像送入网络；而卷积层 Conv layers中包含了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。

conv layer

Conv layers部分共有13个conv层，13个relu层，4个pooling层。

所有的conv层都是： kernel_size=3 ， pad=1 ，stride=1，因此conv层不改变原图大小
所有的pooling层都是： kernel_size=2 ，pad=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)

Region Proposal Networks(RPN)

Faster RCNN 层在fast RCNN 的基础上，对提取候选框进行优化。

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。而最后的Proposal层则负责综合foreground anchors和bounding box regression偏移量获取proposals，同时剔除太小和超出边界的proposals。其实整个网络到了Proposal Layer这里，就完成了相当于目标定位的功能。

anchors

anchor为由一个中心点，周围生成了9个矩形，矩形长宽比由三个尺寸1:1,1:2;2:1三种，如下图，基本覆盖了各种尺寸和形状，引入检测中常用到的多尺度方法。

Faster RCNN遍历Conv layers计算获得的feature maps，为feature map上每一个点都配备这9种anchors作为初始的检测框。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。

如上图，对于每一个点的k个anchor来说，从conv layer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 $(x1,y1,x2,y2)$ 四个坐标值。因此共有4k个coordinates。在训练阶段，程序将会从这些anchor中挑选出一些合适的anchor进行训练。
因此RPN最终就是在原图尺度上，对每一个像素设置9个尺度的候选anchor。然后用cnn去判断哪些Anchor是里面有目标的foreground anchor，哪些是没目标的backgroud。所以，仅仅是个二分类而已！

那么Anchor一共有多少个？原图800x600，VGG下采样16倍，feature map每个点设置9个Anchor，所以：
$ceil(800/16) \times ceil(600/16) \times 9 = 50 \times 38 \times 9 = 17100$

其中ceil()表示向上取整，是因为VGG输出的feature map size= 50*38。

softmax判定foreground与background

RPN网络中利用anchors和softmax初步提取出foreground anchors作为候选区域。

features map 首先做一个1*1的卷积，这个卷积的作用是生成一个 $W*H*(9*2)$ 大小的矩阵。该矩阵用于存储上面提到的foreground与background信息（2*k score）。将该特征后接softmax分类获得foreground anchors，也就相当于初步提取了检测目标候选区域box（一般认为目标在foreground anchors中）。前后两个reshape 操作目的为便于程序实现。
clc layer输出预测区域共k个，每个有的2个参数，即预测为前景的概率和背景的概率，损失用softmax loss（cross entropy loss）。监督信息是Y=0,1，表示这个区域是否为groundtruth。确定groundtruth时，我们需要确定k个区域中的各个区域是不是有效的，是前景还是背景。
K个区域分配标签规则：

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

bounding box regression原理

对于窗口一般使用四维向量 (x, y, w, h) 表示，分别表示窗口的中心点坐标和宽高。对于图 11，红色的框A代表原始的Foreground Anchors，绿色的框G代表目标的GT，我们的目标是寻找一种关系，使得输入原始的anchor A经过映射得到一个跟真实窗口G更接近的回归窗口G’，即：

那么经过何种变换F才能从图10中的anchor A变为G’呢？比较简单的思路就是先做平移，然后进行缩放，边框回归与RCNN中边框回归相同。bounding box 原理参考链接
RPN中所涉及的边框回归首先经过一个1*1的卷积层，输出一个 $W * H * (9 * 4)$ 的矩阵，用于存储box的坐标信息（4k coordinate）

RPN值得注意的地方:

- RPN在原图的尺度上选择anchor的大小
- anchor的数目是feature map上每个像素选择9个长宽比不同的矩形
- soft Max层用于判断anchor是否为前景（含有目标）
- bounding box regression 预测的输出是anchor的偏移变换
- proposal层，结合前景的anchor（背景anchor被忽略）与anchor偏移变换，对anchor位置进行调整，计算出proposal的精确位置。
- bounding box 本质上是学习一个W权重矩阵，即那个1*1的网络的参数（输出为4K regreason,对应anchor的（x，y,w,h）四个偏移），利用W参数乘以 CNN pool5层输出的features map，通过最小二乘，得到anchor的偏移。
- 为什么bounding box regression不直接预测坐标呢？因为坐标间的关系不是简单的一维关系，难以优化。当anchor 与 ground truth比较接近时，他们之间的位置关系（偏移）就可以用一维关系来近似。
- proposal层输出的proposal坐标是在原图的尺度上的proposal坐标。

proposal layer

RPN 最后一层为proposal layer，用于前景anchors，以及anchor对应的边框回归微调参数 $[d_x(A), d_y(A),d_w(A) , d_h(A)]$ 和 $im\_info=[M, N, scale_factor]$ （传入Faster RCNN前首先reshape到固定MxN，im_info则保存了此次缩放的所有信息）来计算产生的proposal位置，此时输出的proposal坐标为原图尺度上的proposal坐标。

Proposal Layer forward（caffe layer的前传函数）按照以下顺序依次处理：

- 生成anchors：利用 $[d_x(A), d_y(A),d_w(A) , d_h(A)]$ 对所有的anchors做bbox regression回归（这里的anchors生成和训练时完全一致）
- 按照输入的foreground 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foreground anchors。
- 限定超出图像边界的foreground anchors为图像边界（防止后续roi pooling时proposal超出图像边界）
- 剔除非常小（width<threshold or height<threshold）的foreground anchors
- 进行nonmaximum suppression
- 再次按照nms后的foreground softmax scores由大到小排序fg anchors，提取前post_nms_topN(e.g. 300)结果作为proposal = [x1, y1, x2, y2]输出。
输出的proposal=[x1, y1, x2, y2]，由于在第三步中将anchors映射回原图判断是否超出边界，所以这里输出的proposal是对应MxN输入图像尺度的。
RPN网络结构主要步骤如下：
生成anchors -> softmax分类器提取前景 anchors -> bbox reg回归前景 anchors -> Proposal Layer生成proposals

RoI pooling layer

RoI Pooling layer负责收集proposal，并计算出proposal feature maps，送入后续网络。Rol pooling层有2个输入：

- 原始的feature maps
- RPN输出的proposal boxes（大小各不相同）

RoI Pooling layer forward过程：

- 由于proposal是对应 $M \times N$ 尺度的，所以首先使用spatial_scale参数将其映射回 $(M/16) \times (N/16)$ 大小的feature map尺度；
- 再将每个proposal对应的feature map区域水平分为 pooled_w×pooled_hpooled_w×pooled_h的网格；
- 对网格的每一份都进行max pooling处理。

经过上述处理后，即使大小不同的proposal输出结果都是 pooled_w×pooled_hpooled_w×pooled_h 固定大小，实现了固定长度输出。

Classification

Classification部分利用已经获得的proposal feature maps，通过full connect层与softmax计算每个proposal具体属于那个类别（如人，车，电视等），输出cls_prob概率向量；同时再次利用bounding box regression获得每个proposal的位置偏移量bbox_pred，用于回归更加精确的目标检测框。

从PoI Pooling获取到7x7=49大小的proposal feature maps后，送入后续网络，可以看到做了如下2件事：

- 通过全连接和softmax对proposals进行分类
- 再次对proposals进行bounding box regression，获取更高精度的rect box

Faster R-CNN训练

Faster R-CNN的训练，是在已经训练好的model（如VGG_CNN_M_1024，VGG，ZF）的基础上继续进行训练。实际中训练过程分为6个步骤：

在已经训练好的model上，训练RPN网络
利用步骤1中训练好的RPN网络
第一次训练Fast RCNN网络
第二训练RPN网络
再次利用步骤4中训练好的RPN网络
第二次训练Fast RCNN网络

可以看到训练过程类似于一种“迭代”的过程，不过只循环了2次。至于只循环了2次的原因是应为作者提到：”A similar alternating training can be run for more iterations, but we have observed negligible improvements”，即循环更多次没有提升了。

RPN训练

与检测网络类似的是，依然使用Conv Layers提取feature maps。整个网络使用的Loss如下：

$L(p_i, t_i) = \frac{1}{N_{cls}}\sum _i {L_{cls}(p_i, p_i^*)} + \lambda \frac {1} {N_{reg}} \sum _i {p_i^*L_{reg}(t_i, t_i^*)}$

上述公式中 i 表示anchors index， $p_i$ 表示foreground 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foreground， $p_i^* = 1$ ；反之IoU<0.3时，认为是该anchor是background， $p_i^* = 0$ ；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foreground 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forground与background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foreground anchors的回归（其实在回归中也完全没必要去关心background）。

Smooth L1 loss 相比于L2 loss对离群点更加不敏感，更加鲁棒。当预测值与目标相差很大时，L2 loss的梯度是x-t，容易产生梯度爆炸，而L1的梯度为常数，使用L1 loss 可以防止梯度爆炸。

关于softMax loss 和边框回归loss与fast RCNN 相同。链接

参考资料：

https://perper.site/%2F2019%2F02%2F14%2FFaster-RCNN%E8%AF%A6%E8%A7%A3%2F