「目标检测算法系列」四、Faster R-CNN算法

前面我们学习了

【目标检测算法系列】一、R-CNN算法

【目标检测算法系列】二、SPP-Net算法.

【目标检测算法系列】三、Fast R-CNN算法

这次，我们紧接着，继续看下 Faster R-CNN。

上次我们讲到Fast R-CNN时，说过Fast R-CNN虽然已经对之前的R-CNN系列算法做了很多改进，不管是速度还是精度，都得到了一个很大的提升，但是还有一个可以优化的地方就是最开始时候的，候选框的提取算法。不管是R-CNN, SPP-Net, Fast R-CNN,都是依靠区域选择算法来进行推测目标位置，但是这种方案很耗时。而Faster R-CNN的提出，终于解决了这个瓶颈问题，Faster R-CNN使用了一种新的区域提出网络（RPN），该网络将与检测网络共享整个图像的卷积特征，从而大大减少了候选框提取的时间成本，同时使Faster R-CNN成为一个真正意义上的端到端的网络模型。下面我们来具体看看

一、Faster R-CNN整体架构

Faster R-CNN整体架构如上图所示，它由两个模块组成，负责进行候选框提取的RPN网络模块，以及使用提取出来的候选框进行检测的Fast R-CNN检测模块。具体来讲这两个模块的关系，就是RPN告诉Fast R-CNN要看哪里。两个模块共享卷积特征，整个Faster R-CNN系统，就是一个统一的目标检测网络模型。

二、区域提案网络（RPN）详解

Faster R-CNN模型，最主要的就是RPN网络的提出，下来我们具体看下。

1.RPN网络概况

RPN是一个全卷积网络，它将通过基础网络（VGG等）的对应共享卷积模块提取出来的feature map 作为输入，最终输出提案框（候选框）的集合，每个提案框中有对应类别信息（背景或者前景）以及对应框的坐标信息。

在RPN网络中，在输入的feature map上，滑动一个n*n（一般使用3*3）的小网络窗口，每一个滑动窗口将会映射到一个低维向量上（对于ZF是256-d,对于VGG来说就是521-d）,将这个向量输出给两个同级的全连接层，即检测框回归层（reg）和检测框分类层（cls）。如图所示：

（注：上面说过，RPN网络是一个全卷积网络，为何这块又会出现全连接层呢？其实这个是针对单个滑动窗口来说，结合到一块，整体针对整个输入的feature map，就是先进行3*3的卷积，然后再跟上两个同级的1*1的卷积filter进行分类和回归，如下图所示：）

2.anchor boxs

为了解决各个待检测对象大小不定的问题，RPN中引入了anchor boxs。

为了检测不同大小的对象，在上述每一个滑动窗口的位置，以滑动窗口的中心为中心点，我们同时预测k个anchor ，anchor 一般采用三种面积尺寸（128^2,256^2,512^2）以及每个尺寸下的三种长宽比（1:1,1:2,2:1），所以针对每个滑动窗口，需要使用k=9个anchor.如下图：

因为在RPN网络中，最终输入与输出的长宽尺寸是不变的，改变的只是channel通道数，所以，针对于

的feature map，总共需要

个anchor,最终RPN网络的分类层输出为：

，回归层输出为：

。

（因为RPN只进行前景和背景的粗分类，所有对于feaure map中的每个位置，输出为2k个值，每个anchor需要通过4个值来定位，所以每个位置对应的回归层输出个数为4k）

3.anchor的具体提取

虽然anchors是基于共享卷积层后feature map来定义的，但是最终的anchors是建立在原始图片上的。

所以，我们是基于原图来生成anchors的，之前在说Fast R-CNN中的ROIpooling层我们说过，因为提取feature map的卷积模块，只有卷积层和pooling层，所以feature map的尺寸与原图的尺寸是成比例映射关系的，如果图片尺寸 w*h，特征图的尺寸则是w/r * h/r 如果在卷积特征图空间位置定义 anchor，则最终的图片会是由 r 像素划分的 anchors 集. (VGG 中， r=16)。另外，对于那些跨越图像边界的anchor,我们直接忽略掉。

4.RPN网络具体训练过程

首先，RPN网络的输入即为共享卷积模块提取出来的feature map。在训练时，需要将所有的anchor分为正样本（前景）和负样本（背景）。

其中正样本包含以下两类anchor:

1. 与ground-truth（真实检测框）IOU最高的anchor
2. 与任意ground-truth（真实检测框）的IOU大于0.7的anchor

可以看到，一个ground-truth可能对应多个anchor。

而对于与所有的ground-truth的IOU都小于0.3的anchor,我们分配到负样本。对于剩余的那些非正非负的anchor,我们将其丢弃，不进行训练。

对于一张图片的所有正负样本的anchor，并不会都用来训练，而是随机在一张图片中采样256个anchor作为一个mini-batch,计算mini-batch的损失函数，其中采样的正负anchor的比例最多是1:1。如果一个图像中的正样本数小于128，我们就用负样本填补这个mini-batch。（如果采用所有的anchor的话，预测结果会偏向于负样本，因为负样本是占大多数的）。

RPN网络中的损失函数，与Fast R-CNN中的基本保持一致，如下所示：

相关参数代表含义如下：

其中

为第i个anchor预测为前景的概率，当第i个anchor为正样本时，

，当第i个anchor为负样本时，

，由此可见，只有在正样本时，才会去关系后面的回归检测。

即为一个mini-batch

为第i个anchor(正样本)到预测区域的对应4个平移缩放参数，

为第i个anchor(正样本)到ground-truth（真实检测框）的对应4个平移缩放参数。

即为一个mini-batch。

下面具体看下

和

。

对于分类损失函数

,因为RPN中的分类是一个二值分类器，所以

回归损失函数

为(两种变换之差最小化)：

其中，

最后，

参数用来权衡分类和回归损失，默认值为

=10

至此，通过RPN网络得到了对应提案框以及每个提案框的得分，并对得分使用NMS(非极大值抑制)，阈值为0.7，得到得分靠前的TOP-N（论文中为300个）个提案框提供给后续的ROI池化层。

三、ROI池化层

Faster R-CNN中的ROI池化层和Fast R-CNN中的是一样的。对于前面的共享卷积层所提取出来的feature map，既会提供给RPN网络进行提案框的提取，也会提供给ROI池化层。

对于ROI池化层来说，对于输入的feature map,会根据RPN网络最终所提供出来的提案框，来找到对应提案框在feature map上的映射，也就是对应ROI（候选框所对应的feature map）。正如之前所有，RPN告诉Fast R-CNN要看哪里。然后后续，就和Fast R-CNN完全一样，将输入的不同ROI（候选框所对应的feature map）划分为H*W个块，然后在每个块中使用最大池化层提取出一个特征，对应池化操作独立于每个feature map通道，最终输出H*W*c(c为通道数)的特征。将输入的特征转换为特征向量喂给后面的全连接层。（对于使用的VGG16为基础模型来说，这块H*W为7*7）。

四、最终的分类和回归

讲过ROI池化层，提取出固定长度的特征向量，进行后续的全连接层、分类，回归，和Fast R-CNN中完全一样，这块不再赘述。

五、Faster R-CNN完整训练流程

通过上面的说明，我们知道了，Faster R-CNN是将经过共享卷积模块提取出来的feature map通过RPN网络来进行候选框的提取，同时进行粗分类和粗回归，然后再经过ROI池化层来提取出固定的特征向量，送入全连接层中，进行最终的精确分类与回归。

完整训练流程如下：

1. 先使用ImageNet数据集训练一个CNN网络（这块采用VGG）

2. 进行数据预处理，将输入图像的尺寸经过缩放固定到600*600，

3. 使用预训练网络的卷积模块（具体到block5_conv3）提取feature map，送入RPN网络中，端到端的fine-tune(微调)RPN网络。

4. 先固定RPN的权值，利用第3步中RPN生成的提案框，训练一个单独 的Fast R-CNN检测网络。这个检测网络同样是由ImageNet预训练 的模型初始化的，这时候两个网络还没有共享卷积层

5. 用第四步训练的检测网络来初始化RPN训练，但是训练时，我们固 定共享的用来提取feature map的卷积层，只微调RPN独有的层。

6. 继续保持固定共享的卷积层，微调Fast R-CNN的FC层。

这样进行下来，两个网络共享相同的卷积层，构成一个统一的网络。上述的最后的交替训练可以迭代多次，但是论文中提出对结果并没有多大改进。

上述就是Faster R-CNN的相关内容，一个真正意义上的端到端的网络模型，相对于之前的RCNN系列，检测速度有个很大的提升，几乎可以做到实时检测，并且，精度上也有较大提升。

后面，我们将通过keras来实现Faster RCNN。

参考文献：K码农-http://kmanong.top/kmn/qxw/form/home?top_cate=28