Faster RCNN 论文入门学习笔记

（一） 整体框架

整体介绍图中各层主要的功能

1. Conv layers提取特征图：

   作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取input image的feature maps,该feature maps会用于后续的RPN层和全连接层

2. RPN(Region Proposal Networks):

   RPN网络主要用于生成region proposals，首先生成一堆Anchor box，对其进行裁剪过滤后通过softmax判断anchors属于前景(foreground)或者后景(background)，即是物体or不是物体，所以这是一个二分类；同时，另一分支bounding box regression修正anchor box，形成较精确的proposal（注：这里的较精确是相对于后面全连接层的再一次box regression而言）

3. Roi Pooling：

   该层利用RPN生成的proposals和VGG16最后一层得到的feature map，得到固定大小的proposal feature map,进入到后面可利用全连接操作来进行目标识别和定位

4. Classifier：

   会将Roi Pooling层形成固定大小的feature map进行全连接操作，利用Softmax进行具体类别的分类，同时，利用L1 Loss完成bounding box regression回归操作获得物体的精确位置.

（二) 网络结构

2.1 Conv layers

Faster RCNN首先是支持输入任意大小的图片的，比如上图中输入的$P\ast Q$，进入网络之前对图片进行了规整化尺度的设定，如可设定图像短边不超过600，图像长边不超过1000，我们可以假定$M\ast N=1000\ast 600$（如果图片少于该尺寸，可以边缘补0，即图像会有黑色边缘）

1. 13个conv层：kernel_size=3,pad=1,stride=1;

卷积公式：

所以，conv层不会改变图片大小（即：输入的图片大小=输出的图片大小）

2. 13个relu层：激活函数，不改变图片大小

3. 4个pooling层：kernel_size=2,stride=2;pooling层会让输出图片是输入图片的1/2

经过Conv layers，图片大小变成$(M/16)\ast (N/16)$，即：$60\ast 40$(1000/16≈60,600/16≈40)；则，Feature Map就是$60\ast 40\ast 512$-d(注：VGG16是512-d,ZF是256-d)，表示特征图的大小为$60\ast 40$，数量为512）

2.2 RPN(Region Proposal Networks):

feature Map进入RPN后，先经过一次$3\ast 3$的卷积，同样，特征图大小依然是$60\ast 40$,数量512，这样做的目的应该是进一步集中特征信息，接着看到两个全卷积,即kernel_size=$1\ast 1$,p=0,stride=1;

1. rpn_cls：$60\ast 40\ast 512$-d ⊕ $1\ast 1\ast 512\ast 18$ ==> $60\ast 40\ast 9\ast 2$

   逐像素对其9个Anchor box进行二分类

2. rpn_bbox：$60\ast 40\ast 512$-d ⊕ $1\ast 1\ast 512\ast 36$==>$60\ast 40\ast 9\ast 4$

   逐像素得到其9个Anchor box四个坐标信息（偏移量）

即：

2.2.1 Anchors的生成规则

前面提到经过Conv layers后，图片大小变成了原来的1/16，令feat_stride=16，在生成Anchors时，我们先定义一个base_anchor，大小为$16\ast 16$的box(因为特征图(60*40)上的一个点，可以对应到原图（$1000\ast 600$）上一个$16\ast 16$大小的区域)，源码中转化为[0,0,15,15]的数组，参数ratios=[0.5, 1, 2] ,scales=[8, 16, 32]

先看[0,0,15,15],面积保持不变，长、宽比分别为[0.5, 1, 2]是产生的Anchors box

如果经过scales变化，即长、宽分别均为 ($16\ast 8=128$)、($16\ast 16=256$)、($16\ast 32=512$)，对应anchor box:

综合以上两种变换，最后生成9个Anchor box:

所以，最终base_anchor=[0,0,15,15]生成的9个Anchor box坐标如下：

[[ -84.  -40.   99.   55.]
[-176.  -88.  191.  103.]
[-360. -184.  375.  199.]
[ -56.  -56.   71.   71.]
[-120. -120.  135.  135.]
[-248. -248.  263.  263.]
[ -36.  -80.   51.   95.]
[ -80. -168.   95.  183.]
[-168. -344.  183.  359.]]

特征图大小为$60\ast 40$，所以会一共生成$60\ast 40\ast 9=21600$个Anchor box
源码中，通过$width:(060)\ast 16,height(040)\ast 16$建立shift偏移量数组，再和base_ancho基准坐标数组累加，得到特征图上所有像素对应的Anchors的坐标值，是一个[216000,4]的数组

2.3 RPN工作原理解析

图中框住的‘RPN’部分的网络图，其中 ‘rpn_conv/$3\ast 3’$是$3\ast 3$的卷积，上面有提到过，接着是两个$1\ast 1$的全卷积，分别是图中的‘rpn_cls_score’和‘rpn_bbox_pred’，在上面同样有提到过。接下来，分析网络图中其他各部分的含义

1. rpn-data

.     layer {
.      name: 'rpn-data'
.      type: 'Python'
.      bottom: 'rpn_cls_score'   #仅提供特征图的height和width的参数大小
.      bottom: 'gt_boxes'        #ground truth box
.      bottom: 'im_info'         #包含图片大小和缩放比例，可供过滤anchor box
.      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 \n'scales': !!python/tuple [8, 16, 32]"
.      }
.    }

这一层主要是为特征图$60\ast 40$上的每个像素生成9个Anchor box，并且对生成的Anchor box进行过滤和标记，参照源码，过滤和标记规则如下：

1. 去除掉超过$1000\ast 600$这原图的边界的anchor box

2. 如果anchor box与ground truth的IoU值最大，标记为正样本，label=1

3. 如果anchor box与ground truth的IoU>0.7，标记为正样本，label=1

4. 如果anchor box与ground truth的IoU<0.3，标记为负样本，label=0

剩下的既不是正样本也不是负样本，不用于最终训练，label=-1

除了对anchor box进行标记外，另一件事情就是计算anchor box与ground truth之间的偏移量

令：ground truth:标定的框也对应一个中心点位置坐标x*,y和宽高w,h*

anchor box: 中心点位置坐标x_a,y_a和宽高w_a,h_a

所以，偏移量：

△x=(x*-x_a)/w_a △y=(y*-y_a)/h_a

△w=log(w*/w_a) △h=log(h*/h_a)

通过ground truth box与预测的anchor box之间的差异来进行学习，从而是RPN网络中的权重能够学习到预测box的能力

2. rpn_loss_cls、rpn_loss_bbox、rpn_cls_prob

下面集体看下这三个，其中‘rpn_loss_cls’、‘rpn_loss_bbox’是分别对应softmax，smooth L1计算损失函数，‘rpn_cls_prob’计算概率值(可用于下一层的nms非最大值抑制操作)

补充：

1. Softmax公式，计算各分类的概率值

2. Softmax Loss公式，RPN进行分类时，即寻找最小Loss值

   

在’rpn-data’中已经为预测框anchor box进行了标记，并且计算出与gt_boxes之间的偏移量,利用RPN网络进行训练。

RPN训练设置：在训练RPN时，一个Mini-batch是由一幅图像中任意选取的256个proposal组成的，其中正负样本的比例为1：1。如果正样本不足128，则多用一些负样本以满足有256个Proposal可以用于训练，反之亦然

2.4 proposal

.    layer {
.      name: 'proposal'
.      type: 'Python'
.      bottom: 'rpn_cls_prob_reshape' #[1,18,40,60]==> [batch_size, channel，height，width]Caffe的数据格式，anchor box分类的概率
.      bottom: 'rpn_bbox_pred'  # 记录训练好的四个回归值△x, △y, △w, △h
.      bottom: 'im_info'
.      top: 'rpn_rois'
.      python_param {
.        module: 'rpn.proposal_layer'
.        layer: 'ProposalLayer'
.        param_str: "'feat_stride': 16 \n'scales': !!python/tuple [4, 8, 16, 32]"
.      }
.    }

在输入中我们看到’rpn_bbox_pred’，记录着训练好的四个回归值$△x,△y,△w,△h$。

源码中，会重新生成$60\ast 40\ast 9$个anchor box，然后累加上训练好的$△x,△y,△w,△h$,从而得到了相较于之前更加准确的预测框region proposal，进一步对预测框进行越界剔除和使用nms非最大值抑制，剔除掉重叠的框；

比如，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）；这样，进入到下一层ROI Pooling时region proposal大约只有300个

2.5 roi_data

.      layer {
.      name: 'roi-data'
.      type: 'Python'
.      bottom: 'rpn_rois'
.      bottom: 'gt_boxes'
.      top: 'rois'
.      top: 'labels'
.      top: 'bbox_targets'
.      top: 'bbox_inside_weights'
.      top: 'bbox_outside_weights'
.      python_param {
.        module: 'rpn.proposal_target_layer'
.        layer: 'ProposalTargetLayer'
.        param_str: "'num_classes': 81"
.      }
.    }

为了避免定义上的误解，我们将经过‘proposal’后的预测框称为region proposal（其实，RPN层的任务其实已经完成，roi_data属于为下一层准备数据）

主要作用：

1. RPN层只是来确定region proposal是否是物体(是/否),这里根据region proposal和ground truth
   box的最大重叠指定具体的标签(就不再是二分类问题了，参数中指定的是81类)
2. 计算region proposal与ground truth boxes的偏移量，计算方法和之前的偏移量计算公式相同

经过这一步后的数据输入到ROI Pooling层进行进一步的分类和定位.

(三) ROI Pooling

 .    layer {
.      name: "roi_pool5"
.      type: "ROIPooling"
.      bottom: "conv5_3"   #输入特征图大小
.      bottom: "rois"      #输入region proposal
.      top: "pool5"     #输出固定大小的feature map
.      roi_pooling_param {
.        pooled_w: 7
.        pooled_h: 7
.        spatial_scale: 0.0625 # 1/16
.      }
.    }

从上述的Caffe代码中可以看到，输入的是RPN层产生的region proposal(假定有300个region proposal box)和VGG16最后一层产生的特征图 ($60\ast 40$ 512-d)，遍历每个region proposal，将其坐标值缩小16倍，这样就可以将在原图($1000\ast 600$)基础上产生的region proposal映射到$60\ast 40$的特征图上，从而将在feature map上确定一个区域(定义为RB*)。

在feature map上确定的区域RB*，根据参数pooled_w:7,pooled_h:7,将这个RB区域划分为77，即49个相同大小的小区域，对于每个小区域，使用max pooling方式从中选取最大的像素点作为输出，这样，就形成了一个$7*$7的feature map

以此，参照上述方法，300个region proposal遍历完后，会产生很多个$7\ast 7$大小的feature map，故而输出的数组是：[300,512,7,7],作为下一层的全连接的输入

(四) Classifier

全连接层:

经过roi pooling层之后，batch_size=300, proposal feature map的大小是$7\ast 7$,512-d,对特征图进行全连接，参照下图，最后同样利用Softmax Loss和L1 Loss完成分类和定位

通过full connect层与softmax计算每个region proposal具体属于哪个类别（如人，马，车等），输出cls_prob概率向量；同时再次利用bounding box regression获得每个region proposal的位置偏移量bbox_pred，用于回归获得更加精确的目标检测框

即从PoI Pooling获取到7x7大小的proposal feature maps后，通过全连接主要做了：

1. 通过全连接和softmax对region proposals进行具体类别的分类
2. 再次对region proposals进行bounding box regression，获取更高精度的rectangle box