FasterRcnn 算法原理讲解笔记
下面的介绍都是基于VGG16 的Faster RCNN网络，各网络的差异在于Conv layers层提取特征时有细微差异，至于后续的RPN层、Pooling层及全连接的分类和目标定位基本相同.
一、整体框架
如上图所示，整体主要分为4个阶段：
1.1、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，具体为VGG的网络层，13个conv+13个relu+4个pooling层。
1.2、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）。
1.3、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。
（感觉这个操作有点像金字塔池化）
1.4、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
整体网络结构如上图所示。
2.1、Conv layers
2.1.1 faster_rcnn读入图片尺寸问题
Faster-Rcnn本身对于采集的原图像没有要求，但是作为输入放入网络训练的话就必须限制图片的大小，一般Faster-Rcnn对于输入图像的大小限制规则是：限制最小边为600，最大边为1000，对于输入图像优先考虑最大边的限制。
例如：
输入图像的大小是：375x500x3，则resize后的图像大小为：600x800x3
输入图像的大小是：375x800x3，则resize后的图像大小为：469x1000x3
此时假定输入的图片大小M*N = 600 * 1000
2.1.2 Conv layers结构
13个conv层：kernel_size=3,pad=1,stride=1;（经过卷积层，图片大小不变）
+
13个relu层：激活函数，不改变图片大小
+
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)*(N/16)，即：60x40(1000/16≈60,600/16≈40)；则，Feature Map就是60x40x512-d(注：VGG16是512-d,ZF是256-d)，表示特征图的大小为60x40，数量为512
2.2、RPN(Region Proposal Networks):
RPN主要分为两路：
rpn_cls 和 rpn_bbox
Feature Map进入RPN后，先经过一次3x3的卷积，同样，特征图大小依然是60x40,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1x1卷积,分成两路进行卷积,即kernel_size=1*1,p=0,stride=1，一路生成18维，一路生成36维。
1） rpn_cls：
60x40x512-d * 1x1x512x18 -> 60x40x18
这一路主要是对 Anchor box 内图像信息做二分类工作
2）rpn_bbox: 60x40x512-d * 1x1x512x36 -> 60x40x36
得到其Anchor box四个坐标信息（其实是偏移量，后面介绍）
2.2.1 Anchors box的生成
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16x16的box(因为特征图(60*40)上的一个点，可以对应到原图（1000x600）上一个16x16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]时产生的Anchors box。
如果经过scales变化，即长、宽分别均为 (16x8=128)、(16x16=256)、(16x32=512)，对应anchor box如图：
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60x40，所以会一共生成60x40x9=21600个Anchor box。
源码中，通过width:(0—60)*16,height(0—40)*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。
eg:
width: [0,1,2,3,…,59]
heith: [0,1,2,3,…39] 共有 60x40=2400种组合
if: width=1,heith=0，则对应在原图坐标点为：（1x16, 0x16）
base_ancho[0] = [ -84, -40, 99, 55]
相加结果为： [-84+16, -40+0, 99+16,55+0] = [-68, -40, 115, 55]。
比较通俗的讲就是，人为制定了 9 个不同大小的矩形框，又在 600x1000的图像中，均匀的选取了 60x40 个位置，去放这9个矩形框，让矩形框在原图中游走。。。
所以，相当于在一个 6001000的图片中，选取了 4060*9=21600个矩形框，这个数字大不大，当然还是挺大的，所以不能全都用，要进一步做筛选。
2.2.2 RPN工作原理解析
为了进一步更清楚的看懂RPN的工作原理，将Caffe版本下的网络图贴出来，对照网络图进行讲解会更清楚
部分的网络图，其中‘rpn_conv/33’是33的卷积，上面有提到过，接着是两个1*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：
2.2.2.1 rpn-data
1. layer {
2. name: 'rpn-data'
3. type: 'Python'
4. bottom: 'rpn_cls_score' #仅提供特征图的height和width的参数大小
5. bottom: 'gt_boxes' #ground truth box
6. bottom: 'im_info' #包含图片大小和缩放比例，可供过滤anchor box
7. bottom: 'data'
8. top: 'rpn_labels'
9. top: 'rpn_bbox_targets'
10. top: 'rpn_bbox_inside_weights'
11. top: 'rpn_bbox_outside_weights'
12. python_param {
13. module: 'rpn.anchor_target_layer'
14. layer: 'AnchorTargetLayer'
15. param_str: "'feat_stride': 16 \n'scales': !!python/tuple [8, 16, 32]"
16. }
17. }
这一层主要是为特征图60*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*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。
2.2.2.2 rpn_loss_cls、rpn_loss_bbox、rpn_cls_prob
经过上述操作后，就得到了 n个矩形框anchor box，而且每个anchor box，都具有自己的标签和label=(0,1)。
rpn_loss_cls：对应 softmax损失函数，对anchor box进行分类操作
rpn_loss_bbox： 对应smooth L1损失函数，对anchor box坐标点进行操作，训练便宜坐标的数值△x, △y, △w, △h。
rpn_cls_prob：计算概率值(可用于下一层的nms非最大值抑制操作)。这个操作又进一步减少了anchor box。
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。
得到了上述中的anchor box，就要开始训练了。
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
2.2.2.3 proposal
1. layer {
2. name: 'proposal'
3. type: 'Python'
4. 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
5. bottom: 'rpn_bbox_pred' # 记录训练好的四个回归值△x, △y, △w, △h
6. bottom: 'im_info'
7. top: 'rpn_rois'
8. python_param {
9. module: 'rpn.proposal_layer'
10. layer: 'ProposalLayer'
11. param_str: "'feat_stride': 16 \n'scales': !!python/tuple [4, 8, 16, 32]"
12. }
13. }
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60x40x9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。
自此，RPN网络结束，经过此网络筛选，anchor box 由原来的21600变为300个。
2.2.2.4 roi_data
1. layer {
2. name: 'roi-data'
3. type: 'Python'
4. bottom: 'rpn_rois'
5. bottom: 'gt_boxes'
6. top: 'rois'
7. top: 'labels'
8. top: 'bbox_targets'
9. top: 'bbox_inside_weights'
10. top: 'bbox_outside_weights'
11. python_param {
12. module: 'rpn.proposal_target_layer'
13. layer: 'ProposalTargetLayer'
14. param_str: "'num_classes': 81"
15. }
16. }
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。
2.2.2.5ROI Pooling:
1. layer {
2. name: "roi_pool5"
3. type: "ROIPooling"
4. bottom: "conv5_3" #输入特征图大小
5. bottom: "rois" #输入region proposal
6. top: "pool5" #输出固定大小的feature map
7. roi_pooling_param {
8. pooled_w: 7
9. pooled_h: 7
10. spatial_scale: 0.0625 # 1/16
11. }
12. }
ROI Pooling:作用是将不同大小的特征图，全部pooling为 n*n同等大小的特征图。
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(60x40 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(1000x600)基础上产生的region proposal映射到60x40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7x7，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7x7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77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.
再通俗点讲，就是输入是一个 40x60的特征图，共512维；然后在特征图中画300个矩形框（也就是region proposal）,对每一个矩形框通过roi_pooling（这个不懂的自己再去看），变为7x7的特张图，也就是 7x7x512x300.
2.2.2.5 全连接层
经过roi pooling层之后，batch_size=300, proposal feature map的大小是7*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，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。
最后再付一张完整的网络图：
三、faster-rcnn + FPN网络，提升小目标检测 一些理解
参考：
https://www.cnblogs.com/wangyong/p/8513563.html
https://blog.csdn.net/Lin_xiaoyi/article/details/78214874
https://blog.csdn.net/dudu815110/article/details/79088258 —fasterrcnn训练步骤
扫一扫
6540
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
