深度https://blog.csdn.net/qq_31610789学习经典目标检测实例分割语义分割网络的理解之四 FASTER-RCNN

来来来，CNN系列看到这应该有点感觉了。这一篇讲Faster RCNN。

针对代码重新进行详细介绍：

RPN参考博文：https://blog.csdn.net/sinat_29957455/article/details/78369763

依旧主要参考@shenxiaolu1984 的博文，我基本上是当搬运工，会加入一点自己的理解，和补充。

参考博文：https://blog.csdn.net/shenxiaolu1984/article/details/51152614

论文原文如下：

Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information Processing Systems. 2015.

 

 

改进介绍：

从RCNN到fast RCNN，再到本文的faster RCNN，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）终于被统一到一个深度网络框架之内。所有计算没有重复，完全在GPU中完成，大大提高了运行速度。 

faster RCNN可以简单地看做“区域生成网络+fast RCNN“的系统，用区域生成网络代替fast RCNN中的Selective Search方法。本篇论文着重解决了这个系统中的三个问题： 
1. 如何设计区域生成网络
2. 如何训练区域生成网络

3. 如何让区域生成网络和fast RCNN网络共享特征提取网络

区域生成网络：结构

基本设想是：在提取好的特征图上，对所有可能的候选框进行判别。由于后续还有位置精修步骤，所以候选框实际比较稀疏。 

特征提取

原始特征提取（上图灰色方框）包含若干层conv+relu，直接套用ImageNet上常见的分类网络即可。本文试验了两种网络：5层的ZF[3]，16层的VGG-16[4]，具体结构不再赘述。

额外添加一个conv+relu层，输出51*39*256维特征（feature）。

候选区域（anchor）

特征可以看做一个尺度51*39的256通道图像，对于该图像的每一个位置，考虑9个可能的候选窗口，这些候选窗口称为anchors。

下图示出51*39个anchor中心，以及9种anchor示例。

三种面积

 

 

关于图像尺寸问题：

整个faster RCNN算法中，有三种尺度。

原图尺度：你用的图片来源。 

网络输入尺度：输入特征检测网络的大小，在训练时设置，源码中为224*224（VGG16的输入就是）。

归一化尺度：输入特征提取网络的大小，在测试时设置，源码中opts.test_scale=600。anchor在这个尺度上设定。这个参数和anchor的相对大小决定了想要检测的目标范围。 

根据RGB官方代码理解：

RPN网络的简洁流程如下：

 

如上图所示：输入时5组由 resnet网络结合特征金字塔得到的特征图，P2-P6从低位特征到高维特征都有，结合了SPP的思想和上采样的方法生成的。

 

 

样本

考察训练集中的每张图像： 
a. 对每个标定的真值候选区域，与其重叠比例最大的anchor记为前景样本 
b. 对a)剩余的anchor，如果其与某个标定重叠比例大于0.7，记为前景样本；如果其与任意一个标定的重叠比例都小于0.3，记为背景样本 
c. 对a),b)剩余的anchor，弃去不用。 
d. 跨越图像边界的anchor弃去不用

 

窗口分类和位置精修

分类层（cls_score）输出每一个位置上，9个anchor属于前景和背景的概率；窗口回归层（bbox_pred）输出每一个位置上，9个anchor对应窗口应该平移缩放的参数。 

对于每一个位置来说，分类层从256维特征中输出属于前景和背景的概率；窗口回归层从256维特征中输出4个平移缩放参数。

 

就局部来说，这两层是全连接网络；就全局来说，由于网络在所有位置（共51*39个）的参数相同，所以实际用尺寸为1×1的卷积网络实现。

实际代码中，将51*39*9个候选位置根据得分排序，选择最高的一部分，再经过Non-Maximum Suppression获得2000个候选结果。之后才送入分类器和回归器。 

所以Faster-RCNN和RCNN, Fast-RCNN一样，属于2-stage的检测算法。

关于Non-Maximum Suppression 详情参考下面这篇文章：

https://www.cnblogs.com/makefile/p/nms.html

主要就是这时就需要用到NMS来选取那些邻域里分数最高（是行人的概率最大），并且抑制那些分数低的窗口。

IOU参考这个博客：

https://blog.csdn.net/iamoldpan/article/details/78799857

区域生成网络：训练

 

代价函数

 

同时最小化两种代价： 
a. 分类误差 

b. 前景样本的窗口位置偏差 

*表示ground_truth

具体参看fast RCNN中的“分类与位置调整”段落。

 

超参数

原始特征提取网络使用ImageNet的分类样本初始化，其余新增层随机初始化。 
每个mini-batch包含从一张图像中提取的256个anchor，前景背景样本1:1. 
前60K迭代，学习率0.001，后20K迭代，学习率0.0001。 
momentum设置为0.9，weight decay设置为0.0005。[5]

共享特征

区域生成网络（RPN）和fast RCNN都需要一个原始特征提取网络（下图灰色方框）。这个网络使用ImageNet的分类库得到初始参数W0，但要如何精调参数，使其同时满足两方的需求呢？本文讲解了三种方法。 

轮流训练

a. 从W0开始，训练RPN。用RPN提取训练集上的候选区域 
b. 从W0开始，用候选区域训练Fast RCNN，参数记为W1
c. 从W1开始，训练RPN… 
具体操作时，仅执行两次迭代，并在训练时冻结了部分层。论文中的实验使用此方法。 
如Ross Girshick在ICCV 15年的讲座Training R-CNNs of various velocities中所述，采用此方法没有什么根本原因，主要是因为”实现问题，以及截稿日期“。

近似联合训练

直接在上图结构上训练。在backward计算梯度时，把提取的ROI区域当做固定值看待；在backward更新参数时，来自RPN和来自Fast RCNN的增量合并输入原始特征提取层。 
此方法和前方法效果类似，但能将训练时间减少20%-25%。公布的python代码中包含此方法。

联合训练

直接在上图结构上训练。但在backward计算梯度时，要考虑ROI区域的变化的影响。推导超出本文范畴，请参看15年NIP论文[6]。

实验

除了开篇提到的基本性能外，还有一些值得注意的结论

• 与Selective Search方法（黑）相比，当每张图生成的候选区域从2000减少到300时，本文RPN方法（红蓝）的召回率下降不大。说明RPN方法的目的性更明确。 
  

• 使用更大的Microsoft COCO库[7]训练，直接在PASCAL VOC上测试，准确率提升6%。说明faster RCNN迁移性良好，没有over fitting。 
  

---

1. Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. ↩
2. Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015. ↩
3. M. D. Zeiler and R. Fergus, “Visualizing and understanding convolutional neural networks,” in European Conference on Computer Vision (ECCV), 2014. ↩
4. K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” in International Conference on Learning Representations (ICLR), 2015. ↩
5. learning rate-控制增量和梯度之间的关系；momentum-保持前次迭代的增量；weight decay-每次迭代缩小参数，相当于正则化。 ↩
6. Jaderberg et al. “Spatial Transformer Networks” 
   NIPS 2015 ↩
7. 30万+图像，80类检测库。参看http://mscoco.org/。 ↩