论文阅读学习 - Faster R-CNN_faster r-cnn论文-CSDN博客

本文链接：https://blog.csdn.net/zziahgf/article/details/78684881

Faster R-CNN

[Paper - Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks]

摘要：

目标检测依赖于 region proposal 算法.

Faster R-CNN 提出 Region Proposal Network(RPN)，与检测网络共享整张图片的卷积特征，region proposal 计算量几乎很少.

RPN 是全卷积网络，能够同时预测 object 边界和每个位置 object 的 score.

RPNs 是 end-to-end 训练的，以生成高质量的 region proposals.

Fast R-CNN 利用 region proposals 来进行目标检测.

基于 VGG-16，检测速率在 GPU 上是 5帧/秒.

Faster R-CNN 的基本结构
这里写图片描述

其大致可以包括四部分：

Conv Layers - 输入是 image，输出是提取的图片的 feature maps，被用作 RPN 和全连接层的共享特征；
RPN - 基于 feature maps 来生成 region proposals. 主要是对 anchors 采用 softmax 来确定其是 foreground 或 background，并对 anchors 进行 bounding box 回归，进而获得理想的 proposals；
RoI Pooling - 输入是 feature map 和 proposals，输出是提取的 proposal feature maps，被用于全连接层对类别判定；
Classifier - 基于 proposal feature maps 来对 proposal 的类别进行计算，并再次进行 bounding box 回归，以得到准确的 object 检测框位置.

1. Region Proposal Networks(RPN)

region-based 检测器(如 Fast R-CNN)用到的卷积特征图(feature maps)，也可以用来生成 region proposals.

RPN 采用任意尺寸的图片作为输入，并输出 object proposals 的矩形框集合，每个矩形框都有一个 object score.
这里写图片描述

生成 region proposals 的过程：

针对最后一个共享卷积层输出的 conv feature map，采用一个小网络对其平滑. 该小网络全连接到输入 conv feature map 的一个 $n×n$ 的空间窗口(spatial window). 这里 $n=3$ . $n×n$ 的卷积层后接 ReLUs 层.
每个滑窗被映射为一个低维向量(256-d/ZF，512-d/VGG).
低维向量被输入到两个并列 $1×1$ 的卷积层——边界框回归层(reg) 和边界框分类层(cls).

在实际网络中的 RPN 结构(VGG16-test.prototxt)：
这里写图片描述

1.1 平移不变 Anchors

在每个滑窗位置，同时预测 $k$ 个 region proposals，因此，reg 层有 $4k$ 个输出，以编码 $k$ 个边界框坐标；cls 层输出 $2k$ 个 scores，以估计每个 proposal 的 object/non-object 的概率.

$k$ 个 proposals 相对于 $k$ 个参考 boxes 进行参数化，记为 anchors，其是一组矩形框. 每个 anchor 在滑窗的中心，并与一个 scale 和 aspect ratio 相关. 这里采用 3 个 scales 和 3 个 aspect ratios，在每个滑窗位置得到 $k=9$ 个anchors.

对于一个 $W×H$ (典型值 $\sim 2400$ ) 的 conv feature map，会得到 $WHk$ 个 anchors.

Faster R-CNN 的一个重要属性是，对于 anchors 和计算相对于 anchors 的 proposals 的函数，都具有平移不变性.

对比而言，MultiBox 方法采用 k-means 生成 800 个 anchors，但不具有平移不变性. 如果，平移图片中的一个 object，对应的 proposal 也应该进行平移；相同的函数应该能预测该 proposal. 由于 MultiBox anchors 不具有平移不变性，其需要 $(4+1)×800$ 维的输出层，而 Faster R-CNN 需要 $(4+2)×9$ 维输出层.

Faster R-CNN 参数更少，在小数据集上过拟合的风险更低.

1.2 Region Proposals 学习的 Loss 函数

训练 RPNs，对每个 anchor 设定一个二值类别标签(0或1，是 object 或不是 object).

对两类 anchors 设定 positive 标签：

与 groundtruth box 间的 IoU 最大的 anchor(s)；
与 groundtruth box 间的 IoU 大于 0.7 的 anchor.

单个 groundtruth box 可能对多个 anchors 设定为 positive 标签.

如果 non-positive anchor 与 groundtruth box 的IoU 小于 0.3，则设定该 anchor 为 negative 标签.

positive 和 negative 的 anchor 不影响训练目标函数.

类似于 Fast R-CNN 的 multi-task loss，Faster R-CNN 的目标函数为：

$L(\{p_i\}, \{t_i\}) = \frac{1}{N_{cls}} \sum_i L_{cls}(p_i, p_i^{*}) + \lambda \frac{1}{N_{reg}} \sum_i p_i^{*} L_{reg}(t_i, t_i^{*})$

$i$ - mini-batch 内 anchor 的索引；
$p_i$ - anchor $i$ 是某个 object 的预测概率；
$p_i^{*}$ - 如果 anchor 是 positive，则 groundtruth label $p_i^{*} = 1$ ；如果 anchor 是 negative，则 groundtruth label $p_i^{*} = 0$ ；
$t_i$ - 表示预测边界框的 4 个参数化坐标的向量；
$t_i^{*}$ - 对应于 positive anchor 的 groundtruth 边界框的 4 个坐标的向量；
$L_{cls}(p_i, p_i^{*})$ - 二类 softmax loss
$L_{reg}(t_i, t_i^{*}) = R(t_i - t_i^{*})$ - $R$ 是 smooth L1 loss.
$p_i^{*}L_{reg}$ - 表示只有 positive anchor( $p_i^{*} = 1$ ) 时，回归loss 才会激活；如果 $p_i^{*} = 0$ ，则其值为 0.

cls 层和 reg 层的输出分别包含 $\{p_i\}$ 和 $\{t_i\}$ ，这两项通过 $N_{cls}$ 和 $N_{reg}$ 进行归一化，并加入平衡权重 $\lambda$ .

对于边界框回归 loss，采用 4 个坐标进行参数化，即：

$t_{\mathbf{x}} = \frac{x - x_a}{w_a}$	$t_{\mathbf{x}}^{} = \frac{x^{} - x_a}{w_a}$
$t_{\mathbf{y}} = \frac{y - y_a}{h_a}$	$t_{\mathbf{y}}^{} = \frac{y^{} - y_a}{h_a}$
$t_{\mathbf{w}} = log(\frac{w}{w_a})$	$t_{\mathbf{w}}^{} = log(\frac{w^{}}{w_a})$
$t_{\mathbf{h}} = log(\frac{h}{h_a})$	$t_{\mathbf{h}}^{} = log(\frac{h^{}}{h_a})$

其中，

$x,y,w,h$ 分别表示 box 中心的两个坐标，box 的 width 和 height.

$x, x_a, x^{*}$ 分别为预测 box，anchor box 和 groundtruth box.

可以看作是，从一个 anchor box 到其附近的 groundtruth box 的边界框回归.

用于回归的特征具有相同的 feature map 空间尺寸( $n×n$ )；对于不同尺寸，来学习 $k$ 个边界框回归器. 每个回归器学习一个 scale 和 aspect ratio， $k$ 个回归器不共享权重. 因此，即使特征是固定尺寸/scale 的，也可以预测不同尺寸的 boxes.

1.3 优化

RPN，全卷积网络，可以利用 SGD 和 BP 进行 end-to-end 的训练；
image-centric 的采样策略；
每个 mini-batch 由包含许多 positive 和 negative anchors 的单张图片构成；
随机采样一张图片的 256 个 anchors 来计算 mini-batch 的 loss，采样的 positive anchors 和 negative anchors 的比例为 $1:1$ ；如果一张图片的 positive anchors 少于 128，则用 negative anchors 来补全 mini-batch.
采用均值为 0，方差为0.01 的 Gaussian 分布来初始化网络新加入的层；
采用 ImageNet 分类任务的预训练模型来初始化其它网络层；
PASCAL 数据集上，前 60K 次 mini-batches，learning_rate=0.001，后 20K 次迭代，learning_rate=0.0001；
momentum=0.9，weight_decay=0.0005.

1.4 Region Proposal 和目标检测共享卷积层特征

4-step 训练算法，以通过交替优化来学习共享特征：

[1] - 训练 RPN；采用 ImageNet 训练模型进行网络初始化，并针对 region proposal 任务进行 end-to-end 的 fine-tuned.
[2] - 基于 RPN 生成的 proposals，采用 Fast R-CNN 来训练一个单独的检测网络；检测网络也是采用 ImageNet 训练模型初始化；此时，两个网络是不共享卷积层的.
[3] - 采用检测网络来初始化 RPN 的训练，但固定共享卷积层，只 fine-tune RPN 的网络层；现在，两个网络共享卷积层.
[4] - 固定共享卷积层，fine-tune Fast R-CNN 的 FC 层.

至此，两个网络共享了相同的卷积层，形成了统一网络.

1.5 实现细节

采用 single-scale 图片来训练和测试 region proposal 和 object detection 网络；
将图片短边 rescale 到 600 像素；
针对 anchors，采用 3 种 scale —— box 面积分别为 $128^2$ ， $256^2$ ， $512^2$ 像素, 3 种 aspect ratios —— $1:1$ ， $1:2$ ， $1:3$ .
跨图像边界的 anchor boxes 的处理.

训练时，忽略所有的 cross-boundary anchors，因此，其不会影响 loss.

一张 $1000 × 600$ 的图片，总共会产生约 20k(60×40×9) 个 anchors. 忽略掉 cross-boundary anchors，大约每张图片还有 6K anchors 用于训练；如果不忽略，会导致目标函数引入较大的误差，训练不收敛.

测试时，仍采用全卷积 RPN 来处理整张图片.
由于 RPN proposals 会高度重叠，这里采用 NMS 基于 proposal regions 的 cls scores 进行处理；

固定 NMS 的 IoU 阈值为 0.7，每张图片大约能保留 2k proposal regions.
NMS 处理后，采用 top-N proposal regions 进行目标检测.