理解Faster-RPN

最新推荐文章于 2022-04-09 18:49:26 发布

BruceCheen

最新推荐文章于 2022-04-09 18:49:26 发布

阅读量188

点赞数 1

分类专栏：目标检测

目标检测专栏收录该内容

21 篇文章 0 订阅

订阅专栏

添加链接描述
【前面5层】：作者RPN网络前面的5层借用的是ZF网络，这个网络的结构图我截个图放在下面，并分析下为什么是这样子的；
在这里插入图片描述

首先，输入图片大小是 224*224*3（这个3是三个通道，也就是RGB三种）
然后第一层的卷积核维度是 7*7*3*96 （所以大家要认识到卷积核都是4维的，在caffe的矩阵计算中都是这么实现的）；
所以conv1得到的结果是110*110*96 （这个110来自于 (224-7+pad)/2 +1 ，这个pad是我们常说的填充，也就是在图片的周围补充像素，这样做的目的是为了能够整除，除以2是因为2是图中的stride，这个计算方法在上面建议的文档中有说明与推导的）；
然后就是做一次池化，得到pool1，池化的核的大小是3*3，所以池化后图片的维度是55*55*96 （ (110-3+pad)/2 +1 =55 ）；
然后接着就是再一次卷积，这次的卷积核的维度是5*5*96*256 ，得到conv2：26*26*256；
后面就是类似的过程了，我就不详细一步步算了，要注意有些地方除法除不尽，作者是做了填充了，在caffe的prototxt文件中，可以看到每一层的pad的大小；
最后作者取的是conv5的输出，也就是13*13*256送给RPN网络的；

【RPN部分】：然后，我们看看RPN部分的结构：
在这里插入图片描述

前面我们指出，这个conv feature map的维度是13*13*256的；
作者在文章中指出，sliding window的大小是3*3的，那么如何得到这个256-d的向量呢？这个很简单了，我们只需要一个3*3*256*256这样的一个4维的卷积核，就可以将每一个3*3的sliding window 卷积成一个256维的向量；
然后就是k=9，所以cls layer就是18个输出节点了，那么在256-d和cls layer之间使用一个1*1*256*18的卷积核，就可以得到cls layer，当然这个1*1*256*18的卷积核就是大家平常理解的全连接；所以全连接只是卷积操作的一种特殊情况（当卷积核的大小与图片大小相同的时候，其实所谓的卷积就是全连接了）；
reg layer也是一样了，reg layer的输出是36个，所以对应的卷积核是1*1*256*36，这样就可以得到reg layer的输出了；
然后cls layer 和reg layer后面都会接到自己的损失函数上，给出损失函数的值，同时会根据求导的结果，给出反向传播的数据

【作者关于RPN网络的具体定义】：这个作者是放在./models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_rpn_train.pt 文件中的；

name: "ZF"
layer {
  name: 'input-data'#这一层就是最开始数据输入
  type: 'Python'
  # top表示该层的输出，所以可以看到这一层输出三组数据，data，真值框gt_boxes，和相关信息im_info
  top: 'data'
  # 这些都是存储在矩阵中的
  top: 'im_info'
  top: 'gt_boxes'
  python_param {
    module: 'roi_data_layer.layer'
    layer: 'RoIDataLayer'
    param_str: "'num_classes': 21"
  }
}
#========= conv1-conv5 ============
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"# 输入data
  # 输出conv1，这里conv1就代表了这一层输出数据的名称，存储在对应的矩阵中
  top: "conv1"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 96
    pad: 3  # 这里可以看到卷积1层填充了3个像素
    kernel_size: 7
	stride: 2
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "conv1"
  top: "norm1"# 做归一化操作，通俗点说就是做个除法
  lrn_param {
	local_size: 3
	alpha: 0.00005
	beta: 0.75
	norm_region: WITHIN_CHANNEL
	engine: CAFFE
  }
}
layer { 
  name: "pool1" 
  type: "Pooling" 
  bottom: "norm1" 
  top: "pool1" 
  pooling_param { 
	kernel_size: 3 
	stride: 2 
	pad: 1 # 池化的时候，又做了填充 
	pool: MAX 
  } 
}
layer {
  name: "conv2"
  type: "COnvolution"
  bottom: "pool1"
  top: "conv2"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
	num_output: 256
	kernel_size: 5
	pad: 2
	stride: 2
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "conv2"
  top: "norm2"
  lrn_param {
    kernel_size: 3
	stride: 2
	pad: 1
	pool: MAX
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "pool2"
  top: "conv3"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 384
	kernel_size: 3
	pad: 1
	stride: 1
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 384
	kernel_size: 3
	pad: 1
	stride: 1
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 256
	kernel_size: 3
	pad: 1
	stride: 1
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
#========= RPN ============
# 到我们的RPN网络部分了，前面的都是共享的5层卷积层的部分
layer { 
  name: "rpn_conv1" 
  type: "Convolution" 
  bottom: "conv5" 
  top: "rpn_conv1" 
  param { lr_mult: 1.0 } 
  param { lr_mult: 2.0 } 
  convolution_param {
    num_output: 256
	kernel_size: 3
	pad: 1
	#这里作者把每个滑窗3*3，通过3*3*256*256的卷积核输出256维，完整的输出其实是12*12*256,
	stride: 1
	weight_filler { type: "gaussian" std: 0.01 }
	bias_filler { type: "constant" value: 0 }
  }
}
layer {
  name: "rpn_relu1"
  type: "ReLU"
  bottom: "rpn_conv1"
  top: "rpn_conv1"
}
layer {
  name: "rpn_cls_score"
  type: "Convolution"
  bottom: "rpn_conv1"
  top: "rpn_cls_score"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 18 # 2(bg/fg) * 9(anchors)
	kernel_size: 1
	pad: 0
	#这里看的很清楚，作者通过1*1*256*18的卷积核，将前面的256维数据转换成了18个输出
	stride: 1
	weight_filler { type: "gaussian" std: 0.01 }
	bias_filler { type: "constant" value: 0 }
  }
}
layer {
  name: "rpn_bbox_pred"
  type: "Convolution"
  bottom: "rpn_conv1"
  top: "rpn_bbox_pred"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 36 # 4 * 9(anchors)
	kernel_size: 1
	pad: 0
	stride: 1
	#这里看的很清楚，作者通过1*1*256*36的卷积核，将前面的256维数据转换成了36个输出
	weight_filler { type: "gaussian" std: 0.01 }
	bias_filler { type: "constant" value: 0 }
  }
}
layer {
  bottom: "rpn_cls_score"
  top: "rpn_cls_score_reshape"
  # 我们之前说过，其实这一层是12*12*256的，所以后面我们要送给损失函数，需要将这
  #个矩阵reshape一下，我们需要的是144个滑窗，每个对应的256的向量
  name: "rpn_cls_score_reshape"
  type: "Reshape"
  reshape_param { shape { dim: 0 dim: 2 dim: -1 dim: 0 } }
}
layer {
  name: 'rpn-data'
  type: 'Python'
  bottom: 'rpn_cls_score'
  bottom: 'gt_boxes'
  bottom: 'im_info'
  bottom: 'data'
  top: 'rpn_labels'
  top: 'rpn_bbox_targets'
  top: 'rpn_bbox_inside_weights'
  top: 'rpn_bbox_outside_weights'
  python_param {
    module: 'rpn.anchor_target_layer'
	layer: 'AnchorTargetLayer'
	param_str: "'feat_stride': 16"
  }
}
layer {
  name: "rpn_loss_cls"
  # 很明显这里是计算softmax的损失，输入labels和cls layer
  #的18个输出（中间reshape了一下），输出损失函数的具体值
  type: "SoftmaxWithLoss"
  bottom: "rpn_cls_score_reshape"
  bottom: "rpn_labels"
  propagate_down: 1
  propagate_down: 0
  top: "rpn_cls_loss"
  loss_weight: 1
  loss_param { ignore_label: -1 normalize: true }
}
layer {
  name: "rpn_loss_bbox"
  type: "SmoothL1Loss" # 这里计算的框回归损失函数具体的值
  bottom: "rpn_bbox_pred"
  bottom: "rpn_bbox_targets"
  bottom: "rpn_bbox_inside_weights"
  bottom: "rpn_bbox_outside_weights"
  top: "rpn_loss_bbox"
  loss_weight: 1 smooth_l1_loss_param { sigma: 3.0 }
}
#========= RCNN ============
# Dummy layers so that initial parameters are saved into the output net
layer {
  name: "dummy_roi_pool_conv5"
  type: "DummyData"
  top: "dummy_roi_pool_conv5"
  dummy_data_param {
    shape { dim: 1 dim: 9216 }
	data_filler { type: "gaussian" std: 0.01 }
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "dummy_roi_pool_conv5"
  top: "fc6"
  param { lr_mult: 0 decay_mult: 0 }
  param { lr_mult: 0 decay_mult: 0 }
  inner_product_param { num_output: 4096 }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param { lr_mult: 0 decay_mult: 0 }
  param { lr_mult: 0 decay_mult: 0 }
  inner_product_param { num_output: 4096 }
}