浅谈Faster RCNN

Fast-RCNN基本实现端对端（除了proposal阶段外），下一步自然就是要把proposal阶段也用CNN实现（放到GPU上）。这就出现了Faster-RCNN，一个完全end-to-end的CNN对象检测模型。

---

一、经典的Fast RCNN存在的问题：

region proposal的提取仍然采用selective search，整个检测流程时间大多消耗在这上面（生成region proposal大约2~3s，而特征提取+分类只需要0.32s）。这一点也是Faster RCNN的改进之一。

---

二、网络模型

不再使用SS算法提取候选区域，而是采用RPN(区域生成网络)生成ROI，RPN集成到Fast RCNN中一起训练，可以大大提高效率。

1.区域生成网络

得到最终用来预测的feature map：　图片在输入网络后，依次经过一系列conv+relu （套用ImageNet上常见的分类网络即可 本论文实验了5层的ZF,16层的VGG-16）得到的feature map，额外添加一个conv+relu层，输出5139256维特征（feature map）。准备后续用来选取proposal，并且此时坐标依然可以映射回原图。
计算Anchors： 在feature map上的每个特征点预测多个region proposals。具体作法是：把每个特征点映射回映射回原图的感受野的中心点当成一个基准点，然后围绕这个基准点选取k个不同scale、aspect ratio的anchor。共51*39个中心，每个中心生成９个候选框（3种面积{128*128,256*256,512*512}×3个aspect ratio {1:1,1:2,2:1} ）。

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

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

2.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W0W0开始，训练RPN。用RPN提取训练集上的候选区域
b. 从W0W0开始，用候选区域训练Fast RCNN，参数记为W1W1
c. 从W1W1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。

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。

---

三、改进与不足

改进：

将生成候选区域的任务交给神经网络，简化步骤，提高速度。

不足:

ROI pooling layer两次量化，无法将feature map与原像素精准对齐。生成的ROI不够准确。这一点是Mask RCNN的改进之一。