Faster R-CNN算法解析-原创手记-慕课网

论文地址：
Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks
Python实现：
https://github.com/rbgirshick/py-faster-rcnn

简介

Fast R-CNN算法采用 SppNet 的思想解决了R-CNN中图像warp操作，并且避免了特征的重复计算（参见 ROI Pooling的相关理解及Fast R-CNN与R-CNN的简单对比），使区域 + 分类/回归的检测框架有了实时的可能。但是 region proposal 的生成仍是算法的一个速度瓶颈。

为了解决这一问题，作者提出了 Region Proposal Network（RPN），RPN 网络共享输入图像的卷积特征，能够快速生成候选区域，计算代价小。生成的候选区送入Fast R-CNN网络进行 detection。因此 Faster R-CNN 也可以理解为 RPN + Fast R-CNN（文中作者称 RPN 具有 attention 的意味，即告诉网络关注的区域在哪里）。

Faster R-CNN

RPN网络

RPN 网络的作用是输入一张图像，输出一批候选矩形区域（region proposal），同时输出的还有区域得分。RPN为全卷积网络，以 ZF 网络或 VGG 网络为 base 网络，下图是以 ZF-5 为参考的RPN网络结构（图片是用Netscope在线生成的http://ethereon.github.io/netscope/#/editor）

rpn结构

黑线以上是 ZF-5 网络的卷积过程，黑线以下是 RPN 网络的特有结构。对于 ZF-5 卷积得到的 feature map，采用n*n大小的 sliding window 进行滑动处理（即filter大小为n*n的卷积，文中 n=3），然后通过1*1卷积输出两路，分别用于分类和回归。

如图是 sliding window 的处理过程：

图中的一些解释

256-d：ZF-5 的最后一层输出 filter 的个数是256，因此每一个滑动窗输出是一个256维的向量。
2k 和 4k：首先解释一下k，在每一个滑动窗口的中心位置，预测k个候选区，这些候选区被称为 anchor（后文会解释）。2k是因为分类层的输出为目标为 foreground 和 background 的概率，4k则是每个 anchor box 包含4 个位置坐标。

Anchor 的解释

Anchor 是 RPN 网络的核心，后续的一些目标检测网络如 YOLOv2、SSD、YOLOv3 也借鉴了这一机制。

在 ZF-5 输出的 feature map 上进行滑窗操作，是为了获取滑窗对应的感受野内是否存在目标（概率，以及目标的位置坐标），由于目标大小和长宽比例可能不一，因此需要多个窗口。Anchor 的机制是，以滑动窗的中心为采样点，采用不同的 scale 和 ratio，生成不同大小共 k 个 anchor 窗口。对于一个W*H大小的 feature map 来说，生成的 anchor 总数为W*H*k。例如 scale 为（128，256，512），ratio 为（1:2，1:1，2:1）时，则生成 9 种 anchor。

注：目标识别任务应具有平移不变性和尺度不变性，传统的做法是采用 image pyramid 或 filter pyramid，anchor 的机制满足这样的要求，且相比较两种做法更加的 cost-efficient

采用 Anchor 机制能够从整图的 feature map 上直接提取候选区域（映射到原图）及其特征，相比较 R-CNN 和 Fast R-CNN 中 selective search（或EdgeBoxes）的方法，避免了大量的额外运算，且整个过程融合到一个网络中，方便训练和测试

训练

RPN 网络的 loss 函数同样是一个多任务的loss，包含两个部分，classification 的 loss 和 regression 的 loss。

首先，对于 classification来说，论文中将满足以下两种规则的 anchor 判定为 positive：1）anchor 与任一目标的 ground truth box 的IoU值最大；2）anchor 与任一目标的 ground truth box 的IoU值 > 0.7。因此，存在一个 ground truth 对应多个 anchor 的情况。当 IoU 值 < 0.3 时，则认为 anchor 为 non-positive，即背景。除此之外，其他的 anchor 不参与训练。

如此，loss 函数定义为（可恶的简书不支持公式编辑。。。）

式中， $i$ i 是一个 mini-batch 下 anchor 的索引。 $p_{i}$ pi是 anchor 为目标的概率。当anchor为目标时， $p_{i}^{*}$ pi∗ 为1，否则为0。 $t_{i}$ ti是预测框的位置坐标， $t_{i}^{*}$ ti∗是ground truth的坐标。
$L_{c l s}$ Lcls是目标与非目标的对数损失，即

$L_{r e g}$ Lreg则采用 Fast R-CNN 中的平滑 L1 loss，不采用 R-CNN 和 SPP 中平滑 L2 loss 的原因是，在防止梯度爆炸问题上，L1 loss 敏感性较低，学习率更容易调节。L1 loss 的形式为

其中，

$p_{i}^{*} L_{r e g}$ pi∗Lreg表示 regression loss 只在 anchor 为 positive 时有效。

$L_{c l s}$ Lcls和 $L_{r e g}$ Lreg分别由 $N_{c l s}$ Ncls、 $N_{r e g}$ Nreg进行归一化，同时乘上系数 $λ$ λ。论文作者发布的代码中， $N_{c l s}$ Ncls为mini-batch的大小（如 $N_{c l s}$ Ncls = 256）， $N_{r e g}$ Nreg为anchor的数量（如 $N_{c l s}$ Ncls ~ 2400）。另外，设置 $λ$ λ为10，则 $c l s$ cls 项和 $r e g$ reg 项的权重大体一致（事实上 $λ$ λ 的影响不大，如下表所示）。

λ	0.1	1	10	100
$m A P$ mAP(%)	67.2	68.9	69.9	69.1

在计算 bbox 的 regression 时，采用以下计算方法

式中，x，y，w，h表示框的中心坐标及宽高。x，x_a，x^*分别表示预测框，anchor 框和 ground truth 框（y，w，h同理）。

RPN 通过 Back Propagation 和 SGD 的方法进行端到端的训练。参照Fast R-CNN 中 “image - centric” 的采样策略。每个 mini-batch 由包含很多图像的单张图像组成，如果采用所有的 anchors 优化 loss 函数，可能会向负样本倾斜，因为它们比重较大。因而，论文中采取随机从一张图像中采样 256 个 anchors 的做法来训练一个 mini-batch，256个 anchors 中正负样本的比重是1:1。如果正样本数少于128，则用负样本填充。

新增层的参数用均值为0，标准差为0.01的高斯分布来进行初始化，其余层（都是共享的卷积层，与VGG共有的层）参数用 ImageNet 分类预训练模型来初始化。前60k个mini-batch进行迭代，学习率设为0.001；后20k个mini-batch进行迭代，学习率设为 0.0001；设置动量momentum = 0.9，权重衰减 weightdecay = 0.0005。实现方式为Caffe。

RPN 和 Fast R-CNN特征共享

以上描述了如何训练 RPN 网络，而没有考虑基于 region proposal 的目标检测网络如何利用这些 proposals。对于检测网络，作者采用了 Fast R-CNN。RPN 和 Fast R-CNN 如果都独立训练，需要单独修改它们的卷积层。因此有需要开发一种允许两个网络间共享卷积层的技术，而不是分别学习两个网络。论文中作者描述了 3 种方法用来实现特征共享：

交替训练。 首先训练 RPN，用 RPN 输出的 proposals 训练 Fast R-CNN。Fast R-CNN 精调后用于初始化 RPN 网络参数，如此循环迭代。开源的 matlab 版本就是这种训练方法。
近似联合训练。 RPN 和 Fast R-CNN 整合到一个网络里一起训练。但是该方法忽略了 wrt 导数，开源的 python 版本就是这么训练的，可以减少 25-50% 的训练时间。为什么呢？因为 caffe 中所有层都是 c++ 实现的，所以 python_layer 就没有进行 back_ward，当然训练的时候必须显式指定loss_weight:1。
联合训练。 超出论文范畴，作者未实现。

基于交替训练法，作者描述了一种4-step的训练方式：

step 1. 训练 RPN 网络，采用 ImageNet 预训练的模型进行初始化，并进行微调
step 2. 利用 step1 的RPN生成 proposal，由 Fast R-CNN 训练一个单独的检测网络，该网络同样由ImageNet预训练模型进行初始化。此时，两个网络还未共享卷积层
step 3. 用检测网络初始化 RPN 训练，固定共享的卷积层，只微调 RPN 独有的层，现在两个网络实现了卷积层共享
step 4. 保持共享的卷积层固定，微调 Fast R-CNN 的 fc 层。这样，两个网络共享相同的卷积层，构成一个统一的网络

实现细节

训练时（eg：600*1000的图像），如果 anchor box 的边界超过了图像边界，我们将其舍弃不用，因为这样的 anchor 会导致训练无法收敛。一幅 600*1000 的图像经过 VGG16 后大约为 40*60，则此时的 anchor 数为 40*60*9，约为 20k 个 anchor boxes，再去除与边界相交的 anchor boxes 后，剩下约为 6k 个，这么多数量的anchor boxes之间肯定是有很多重叠区域，因此需要使用非极大值抑制法（NMS，non-maximum suppression）将 IoU＞0.7 的区域全部合并，最后就剩下约 2k 个 anchor boxes（同理，在最终检测端，可以设置将概率大约某阈值P且IoU大约某阈值T的预测框采用 NMS 方法进行合并，注意：这里的预测框指的不是 anchor boxes）。NMS不会影响最终的检测准确率，但是大幅地减少了建议框的数量。NMS之后，我们用建议区域中的top-N个来检测。

实验结果

与Selective Search方法（黑线SS）相比，当每张图生成的proposal从2000减少到300时，RPN方法（红蓝）的召回率下降不大。说明RPN方法的目的性更明确（attention机制~~）。

Recall vs IoU

使用更大的MS COCO库训练，直接在PASCAL VOC上测试，准确率提升6%。说明faster RCNN迁移性良好，没有over fitting。

结语

此时可以放出 R-CNN、Fast R-CNN、Faster R-CNN的对比了。如下所示（此处表格参考https://blog.csdn.net/qq_17448289/article/details/52871461）

名称	方法	缺点	优点
R-CNN	1、SS提取RP； 2、CNN提取特征； 3、SVM分类； 4、BBox回归。	1、训练步骤繁琐（微调网络+训练SVM+训练bbox）； 2、训练、测试均速度慢； 3、训练占空间	1、从DPM HSC的34.3%直接提升到了66%（mAP）； 2、引入RP+CNN
Fast R-CNN	1、SS提取RP； 2、CNN提取特征； 3、softmax分类； 4、多任务损失函数边框回归。	1、依旧用SS提取RP(耗时2-3s，特征提取耗时0.32s)； 2、无法满足实时应用，没有真正实现端到端训练测试； 3、利用了GPU，但是区域建议方法是在CPU上实现的。	1、由66.9%提升到70%； 2、每张图像耗时约为3s。
Faster R-CNN	1、RPN提取RP； 2、CNN提取特征； 3、softmax分类； 4、多任务损失函数边框回归。	1、还是无法达到实时检测目标； 2、获取region proposal，再对每个proposal分类计算量还是比较大。	1、提高了检测精度和速度； 2、真正实现端到端的目标检测框架； 3、生成建议框仅需约10ms。

Faster R-CNN 将 two-stage 的检测框架在实时的进程中推进了一大步，但是仍有提升的空间。由Microsoft Research的Jifeng Dai等人提出的R-FCN网络即是一个例子。