Faster R-CNN 论文总结

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

核心是region proposal network（RPN）。本质上是把fast r-cnn当中region proposal的方法从selective search算法替换成RPN。论文提到的训练方法现在已经不用了，pytorch的官方实现当中直接进行了联合训练。

摘要

当前（faster r-cnn提出前）SOTA的目标检测网络需要region proposal算法假设目标位置。如SPPnet和Fast R-CNN都尝试减少这些检测网络的运行时间，这就暴露了region proposal的计算是目标检测的一个瓶颈。作者引入一个region proposal network（RPN），与检测网络一起共享全图的卷积特征，因此几乎可以做到无代价的region proposal。RPN网络是一个全卷积网络，可以同时预测目标在每个位置的边界以及得分。RPN可以被端到端地训练来生成高质量的region proposal，然后通过fast r-cnn进行检测。

介绍

proposal是当前SOTA检测算法的计算瓶颈。
通过深度网络来计算proposal既优雅又高效，作者引入RPN并与SOTA目标检测网络共享卷积层。计算proposal的代价很小（10ms/张）。
用faster r-cnn的提取卷积特征图同样可以用于生成region proposal。在这些卷积特征的基础上添加两层额外的卷积层：一层用于将卷积特征图编码至一个256d的特征向量，另一层在256d特征向量（原文说是在每个conv map position，但是看结构图是256d特征向量）上生成k个region proposal的目标得分以及边界回归。
RPN也是一种全卷积网络。同样可以进行端到端的训练。

RPN

图左是RPN，图右是使用RPN得到建议框的一些例子。
RPN以任意尺寸图像作为输入，输出一组建议框和对应的目标分数。这是通过一个全卷积网络实现的。
为了生成region proposal，我们在共享的最后一层卷积层（一般是某个模型的最后一个卷积层，比如ZF、VGG16）使用一个小网络（3x3的滑动窗，看视频解释是说是用的3x3卷积）进行滑动。该网络和输入的卷积特征图进行全连接。每个滑动窗口都映射到成低维向量（ZF为256d，VGG为512d）。这个向量被输入至两个同级全连接层，即一个是边界回归层（reg），另外一个是分类层（cls）。

anchors

在每个滑动窗口位置（也就是中心点，RPN里面3x3窗口内蓝色的小点），同时预测k个region proposal（可以理解成anchor，后面都当作是anchor），因此reg层编码k个anchor会得到4k个输出（也就是边界框回归输出的4个参数，x和y的偏移量，w和h的缩放因子）。cls层得到2k个输出来估计前景/背景的概率。
三种尺度(面积) { 12 8 2 , 25 6 2 , 51 2 2 } \{128^2,256^2,512^2\} {1282,2562,5122}，（视频里面说是由经验所得，论文好像也没提到？）
三种比例 { 1 : 1 , 1 : 2 , 2 : 1 } \{ 1:1, 1:2, 2:1 \} {1:1,1:2,2:1}
每个位置在原图上都对应有$3\times 3=9$个anchor
对于一张1000x600x3的图像，大约有60x40x9(20k)个anchor，忽略跨越边界的anchor以后，剩下约6k个anchor。对于RPN生成的候选框之间存在大量重叠，基于候选框的cls得分，采用非极大值抑制，IoU设为0.7，这样每张图片只剩2k个候选框。

region proposal的损失函数

为了训练RPN，为每个anchor分配一个二进制类别的标签（即是否为目标，也就是上面提到的前景/背景）。定义两种情况为正标签：

1. 和ground truth box有着最大IOU的anchor
2. 和任何ground truth box的IOU大于0.7的anchor

需要注意的是一个ground truth box可能会对应多个anchor。而负标签定义为：对于所有ground truth box，IOU小于0.3的anchor。
不满足正负标签条件的anchor均被舍弃，不参与训练。
RPN的损失函数：
L ( { p i } , { t i } ) = 1 N c l s ∑ i L c l s ( p i , p i ∗ ) + λ 1 N r e g ∑ i p i ∗ L r e g ( t i , t i ∗ ) L(\{p_i\},\{t_i\})=\frac{1}{N_{cls}}\sum_iL_{cls}(p_i,p_i^*)+\lambda\frac{1}{N_{reg}}\sum_ip_i^*L_{reg}(t_i,t_i^*) L({pi​},{ti​})=Ncls​1​i∑​Lcls​(pi​,pi∗​)+λNreg​1​i∑​pi∗​Lreg​(ti​,ti∗​)
$p_i$表示第i个anchor预测为真实标签的概率
$p_i^{\ast }$当为正样本时为1，当为负样本时为0
$t_i$表示第i个anchor的边界框回归参数
$t_i^{\ast }$表示第i个anchor对应的ground truth bbox的边界框回归参数
$N_{cls}$表示一个mini-batch中所有样本数量，论文为256
$N_{reg}$表示中心点的个数，约2400
$\lambda$为超参数，论文为10
$$t_x=(x-x_a)/w_a,t_y=(y-y_a)/h_a,t_w=\log (w/w_a),t_h=log(h/h_a)$$
$$t_x^{\ast }=(x^{\ast }-x_a)/w_a,t_y^{\ast }=(y^{\ast }-y_a)/h_a,t_w^{\ast }=\log (w^{\ast }/w_a),t_h^{\ast }=log(h^{\ast }/h_a)$$
x,y,w,h表示box中心（不是左上角）的坐标、宽度和高度。x表示预测box，$x_a$表示anchor box，$x^{\ast }$表示ground truth box。可以认为是anchor box回归到附近的ground truth box。个人理解相当于通过输入$x_a$输出x，然后得到误差$x-x_a$，根据$x_{\ast }-x_a$不断修正x。

---

参考：
Faster RCNN理论合集