faster rcnn 学习笔记

论文：《Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks》

     作者 何凯明 rbg大神都做过简单的介绍，现在说说 Shaoqing Ren中国科学技术大学（phd）

 改进

  针对fast rcnn 计算的瓶颈，用选择性搜索算法生成RP是在cpu上进行的，每张图片生成RP的时间占其检测大部分时间，故而若想提高FPS的值，须在生成RP上做一系列的改进，此篇论文 便是基于cnn网络生成RP，节省检测时间。

 Faster-Rcnn网络

上图来自于论文原文，描述从输入图片，生成feature maps，rpn网络生存rp，roi融合，最后分类和回归定位。

conv layer

   conv layers 包含conv,pooling,relu三种层，选择标准的基础网络模型（zfNet,vggNet）

  conv层；kernel_size=3,pad=1

  pool层：kernel_size=2,stride=2

  conv层不会改变输入和输出矩阵大小（size）

  pooling层会改变size大小，使输出长宽都变味输入的1/2

RPN网络

  

    基础cnn网络用于生成RP。卷积相当于滑窗。假如输入图像是1000*600，则经过了几次stride后，map大小缩小了16倍，最后一层卷积层输出大约为60*40大小，那么相当于用3*3的窗口滑窗（注意有padding），对于左边一支路而言，输出18个通道，每个通道map大小仍为60*40，代表每个滑窗中心对应感受野内存在目标与否的概率。

  anchor机制

  anchor是rpn网络的核心。需要确定每个滑窗中心对应感受野内存在目标与否。由于目标大小和长宽比例不一，需要多个尺度的窗。Anchor即给出一个基准窗大小，按照倍数和长宽比例得到不同大小的窗。例如论文中基准窗大小为16，给了（8、16、32）三种倍数和（0.5、1、2）三种比例，这样能够得到一共9种尺度的anchor。

  在对60*40的map进行滑窗时，以中心像素为基点构造9种anchor映射到原来的1000*600图像中，映射比例为16倍。那么总共可以得到60*40*9大约2万个anchor。但是会通过非极大值抑制的方法，设定IoU为0.7的阈值，即仅保留覆盖率不超过0.7的局部最大分数的box（粗筛）。最后留下大约2000个anchor，然后再取前N个box（比如300个）给Fast-RCNN。Fast-RCNN将输出300个判定类别及其box，对类别分数采用阈值为0.3的非极大值抑制（精筛），并仅取分数大于某个分数的目标结果（比如，只取分数60分以上的结果）。

  ROI pooling

   输入是原始的feature maps 和PRN输出的proposal boxes（大小不一）

  fc层中需要输入的proposals是大小一致的（roi pooling是由spp发展而来的）

  proposal=[x1, y1, x2, y2]是对应MxN尺度的，所以首先使用spatial_scale参数将其映射回MxN大小的feature maps尺度（这里来回多次映射，是有点绕）；之后将每个proposal水平和竖直都分为7份，对每一份都进行max pooling处理。这样处理后，即使大小不同的proposal，输出结果都是7x7大小，实现了fixed-length output。

classification detection

 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。

 训练

1） 单独训练RPN网络，网络参数由预训练模型载入；

2） 单独训练Fast-RCNN网络，将第一步RPN的输出候选区域作为检测网络的输入。具体而言，RPN输出一个候选框，通过候选框截取原图像，并将截取后的图像通过几次conv-pool，然后再通过roi-pooling和fc再输出两条支路，一条是目标分类softmax，另一条是bbox回归。截止到现在，两个网络并没有共享参数，只是分开训练了；

3） 再次训练RPN，此时固定网络公共部分的参数，只更新RPN独有部分的参数；

4） 那RPN的结果再次微调Fast-RCNN网络，固定网络公共部分的参数，只更新Fast-RCNN独有部分的参数。