其他分享
首页 > 其他分享> > Paper Reading:Faster RCNN

Paper Reading:Faster RCNN

作者：互联网

Faster R-CNN

论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
发表时间：2016
发表作者：(Microsoft)Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun
发表刊物/会议：NIPS
论文链接：论文链接
论文代码：Matlab版本点击此处，Python版本点击此处

2015 年微软研究院的任少庆、何恺明以及 Ross B Girshick 等人又提出了 Faster R-CNN 算法。从R-CNN到Fast R-CNN，再到本文的Faster R-CNN，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）终于被统一到一个深度网络框架之内。所有计算没有重复，完全在GPU中完成，大大提高了运行速度。
Faster R-CNN可以简单地看做“区域生成网络(RPN)+Fast RCNN“的系统，用区域生成网络代替Fast R-CNN中的Selective Search方法，网络结构如下图。本篇论文着重解决了这个系统中的三个问题：

Faster RCNN1

步骤如下：

RPN

设计辅助生成样本的 RPN（Region Proposal Networks）网络，将算法结构分为两个部分，先由 RPN 网络判断候选框是否为目标，再经分类定位的多任务损失判断目标类型，整个网络流程都能共享卷积神经网络提取的的特征信息，节约计算成本，且解决 Fast R-CNN 算法生成正负样本候选框速度慢的问题，同时避免候选框提取过多导致算法准确率下降。

RPN网络基本设想是：在提取好的特征图上，对所有可能的候选框进行判别。由于后续还有位置精修步骤，所以候选框实际比较稀疏。

Faster RCNN2

1、特征提取
RPN还是需要使用一个CNN网络对原始图片提取特征。为了方便读者理解，不妨设这个前置的CNN提取的特征为\(51×39×256\)，即高为51，宽为39，通道数为256.对这个卷积特征再进行一次卷积计算，保持宽、高、通道数不变，再次得到一个\(51×39×256\)的特征。
为了方便叙述，先来定义一个“位置”的概念：对于一个\(51×39×256\)的卷积特征，称它一共有\(51×39\)个"位置"。让新的卷积特征的每一个"位置"都"负责”原图中对应位置的9种尺寸框的检测，检测的目标是判断框中是否存在一个物体，因此共用\(51×39×9\)个“框”。在Faster R-CNN原论文中，将这些框都统一称为 "anchor"。
2、候选区域(anchor)
特征可以看做一个尺度\(51×39\)的256通道图像，对于该图像的每一个位置，考虑9个可能的候选窗口：三种面积分别是\(128×128\)，\(256×256\),\(512×512\)，每种面积又分成3种长宽比，分别是\(2:1\),\(1:2\),\(1:1\) 。这些候选窗口称为anchors。做着就是通过这些anchors引入了检测中常用到的多尺度方法(检测各种大小的目标)，下图示出\(51×39\)个anchor中心，以及9种anchor示例。
Faster RCNN3
对于这\(51×39\)个位置和\(51×39×9\)个anchor，下图展示了接下来每个位置的计算步骤：

Faster RCNN4

3、框回归
如图绿色表示的是飞机的实际框标签(ground truth)，红色的表示的其中一个候选区域(foreground anchor)，即被分类器识别为飞机的区域，但是由于红色区域定位不准确，这张图相当于没有正确检测出飞机，所以我们希望采用一种方法对红色的框进行微调，使得候选区域和实际框更加接近：

Faster RCNN5]

对于目标框一般使用四维向量来表示\((x,y,w,h)\)，分别表示目标框的中心点坐标、宽、高，我们使用\(A\)表示原始的foreground anchor，使用\(G\)表示目标的ground truth，我们的目标是寻找一种关系，使得输入原始的Anchor \(A\)经过映射到一个和真实框\(G\)更接近的回归窗口\(G′\)，即：

-给定\(A=(A_x,A_y,A_w,A_h)\)，\(G=(G_x,G_y,G_w,G_h)\)；
寻找一种变换\(F\)，使得\(F(A_x,A_y,A_w,A_h)=(G_x',G_y',G_w',G_h')\)，其中\((G_x,G_y,G_w,G_h)≈(G_x',G_y',G_w',G_h')\)；

Faster RCNN6]

那么如何去计算\(F\)呢？这里我们可以通过平移和缩放实现\(F(A)=G′\)：

上面公式中，我们需要学习四个参数，分别是\(d_x(A),d_y(A),d_w(A),d_h(A)\),其中\((A_w\cdot d_x(A),A_w\cdot d_y(A))\) 表示两个框中心距离的偏移量。当输入的anchor A与G相差较小时，可以认为这种变换是一种线性变换， 那么就可以用线性回归来建模对目标框进行微调（注意，只有当anchors A和G比较接近时，才能使用线性回归模型，否则就是复杂的非线性问题了）。
接下来就是如何通过线性回归获得\(d_x(A),d_y(A),d_w(A),d_h(A)\)。线性回归就是给定输入的特征向量\(X\)，学习一组参数\(W\)，使得线性回归的输出\(WX\)和真实值\(Y\)的差很小。对于该问题，输入\(X\)是特征图，我们使用\(ϕ\)表示，同时训练时还需要\(A\)到\(G\)变换的真实参数值：\((t_x,t_y,t_w,t_h)\)；输出是\(d_x(A),d_y(A),d_w(A),d_h(A)\)，那么目标函数可以表示为：
\[ d_*(A)=w_*^T\cdot \phi(A) \]
其中\(ϕ(A)\)是对应anchor的特征图组成的特征向量，\(w\)是需要学习的参数，\(d(A)\)是得到预测值,(*表示\(x,y,w,h\)，也就是每一个变换对应一个上述目标函数)，为了让预测值\(d_x(A),d_y(A),d_w(A),d_h(A)\)和真实值差距\(t_x,t_y,t_w,t_h\)最小，代价函数如下：
\[ loss=\sum\limits_{i=1}^{N}(t_*^i - \hat{w}_*^T\cdot \phi(A^i))^2 \]
函数优化目标为：
\[ w_*=\mathop{\arg\min}_{\hat{w}_*} \sum\limits_{i=1}^{N}(t_*^i - \hat{w}_*^T\cdot \phi(A^i))^2+\lambda \|{\hat{w*}}\|2 \]
需要说明，只有在G和A比较接近时，才可近似认为上述线性变换成立，下面对于原文中，A与G之间的平移参数\((t_x,t_y)\)和尺度因子\((t_w,t_h)\)为：
\[ t_x=(G_x-A_x)/A_w \\ t_y=(G_y-A_y)/A_h \\ t_w=log(G_w/A_w) \\ t_h=log(G_h/A_h) \]
对于训练bouding box regression网络回归分支，输入是特征图\(ϕ\)，监督信号是A到G的变换参数
\((t_x,t_y,t_w,t_h)\)，即训练的目标是：输入\(ϕ\)的情况下使网络输出与监督信号尽可能接近。那么bouding box regression工作时，再输入\(ϕ\)时，回归网络分支的输出就是每个anchor的平移参数和变换尺度\((t_x,t_y,t_w,t_h)\)，显然即可用来修正anchor位置了。
4、候选框修正
得到每一个候选区域anchor A的修正参数\((d_x(A),d_y(A),d_w(A),d_h(A))\)之后，我们就可以计算出精确的anchor，然后按照物体的区域得分从大到小对得到的anchor排序，然后提出一些宽或者高很小的anchor(获取其它过滤条件)，再经过非极大值抑制抑制，取前Top-N的anchors，然后作为proposals(候选框)输出，送入到RoI Pooling层。

此外，全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练。
具体规则如下：

训练RPN时，与VGG共有的层参数可以直接拷贝经ImageNet训练得到的模型中的参数，剩下没有的层参数用标准差=0.01的高斯分布初始化。
一句话总结：其实RPN最终就是在原图尺度上，设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的foreground anchor，哪些是没目标的backgroud。所以，仅仅是个二分类而已！
缺点：由于RPN网络可在固定尺寸的卷积特征图中生成多尺寸的候选框，导致出现可变目标尺寸和固定感受野不一致的现象。最大的问题就是对小物体检测效果很差。

RoI Pooling层

RoI Pooling层负责收集所有的候选框，并计算每一个候选框的特征图，然后送入后续网络，从Faster RCNN的结构图我们可以看到RoI Pooling层有两个输入：

存在的问题：
由于预选ROI的位置通常是有模型回归得到的，一般来说是浮点数，而赤化后的特征图要求尺度固定，因此ROI Pooling这个操作存在两次数据量化的过程。1）将候选框边界量化为整数点坐标值；2）将量化后的边界区域平均分割成kxk个单元，对每个单元的边界进行量化。事实上，经过上面的两次量化操作，此时的ROI已经和最开始的ROI之间存在一定的偏差，这个偏差会影响检测的精确度。
下面我们用直观的例子具体分析一下区域不匹配问题。输入一张800x800的图片，图片中有一个665x665的BB中框这一只狗。图片经过特征提取网络之后，整个图片的特征图变为800/32 * 800/32,即25x25，但是665/32=20.87，带有小数，ROI Pooling直接将它量化为20。在这里引入了一次偏差。由于最终的特征映射的大小为7x7，即需要将20x20的区域映射成7x7,矩形区域的边长为2.86，又一次将其量化为2。这里再次引入了一次量化误差。经过这两次的量化，候选ROI已经出现了严重的偏差。更重要的是，在特征图上差0.1个像素，对应到原图上就是3.2个像素。

分类和框回归

通过RoI Pooling层我们已经得到所有候选区组成的特征向量，然后送入全连接层和softmax计算每个候选框具体属于哪个类别，输出类别的得分；同时再次利用框回归获得每个候选区相对实际位置的偏移量预测值，用于对候选框进行修正，得到更精确的目标检测框。

Faster R-CNN使用RPN生成候选框后，剩下的网络结构和Fast R-CNN中的结构一模一样。在训练过程中，需要训练两个网络，一个是RPN网络，一个是在得到框之后使用的分类网络。通常的做法是交替训练，即在一个batch内，先训练RPN网络一次，再训练分类网络一次。

损失函数计算

对于每个锚点，首先在后面接上一个二分类softmax，有2个score 输出用来表示这是一个前景还是一个背景的概率 (\(p_i\))，然后再接上一个bounding box的regressor 输出代表这个锚点的4个坐标位置（\(t_i\)），因此RPN的总体\(Loss\)函数可以定义为 ：

Faster RCNN7]

其中Lcls表示分类loss,这里使用两类别（前景还是背景）的log loss;Lreg表示回归loss,这里使用的是Smooth-L1;

Faster RCNN8]

i表示第i个锚点，当锚点是正背景样本时 \(p_i^* =1\) ，是负样本则为0 。 \(t_i^*\) 表示 一个与正样本锚点相关的ground true box坐标 （每个正样本锚点 只可能对应一个ground true box： 一个正样本锚点 与某个grand true BB对应，那么该锚点与ground true box 的IOU要么是所有anchor中最大，要么大于0.7）

训练策略

Faster RCNN9]

即进行交替训练，迭代2次的原因是作者发现多次的迭代并没有显著的改善性能。

Faster R-CNN总体流程总结如下：

作为一个目标检测领域的baseline算法，Faster-rcnn值得去仔细理解里面的细节。

参考：
Faster R-CNN

标签：ROI,候选框,网络,Paper,CNN,RCNN,Reading,anchor,RPN
来源： https://www.cnblogs.com/hellojamest/p/11438775.html