目标检测算法：Faster-RCNN论文解读

目标检测算法：Faster-RCNN论文解读

前言

​ 其实网上已经有很多很好的解读各种论文的文章了，但是我决定自己也写一写，当然，我的主要目的就是帮助自己梳理、深入理解论文，因为写文章，你必须把你所写的东西表达清楚而正确，我认为这是一种很好的锻炼，当然如果可以帮助到网友，也是很开心的事情。

说明

​ 如果有笔误或者写错误的地方请指出（勿喷），如果你有更好的见解也可以提出，我也会认真学习。

原始论文地址

​ 点击这里，或者复制链接

https://arxiv.org/abs/1506.01497

目录结构

1. 文章内容概述：

​ 目前的检测算法都依赖于“region proposal”算法，虽然SSP-net、Fast-RCNN等技术的进步缩短了检测网络运行的时间，但同时也暴漏了region proposal的耗时。

​ 因此，作者在Fast-RCNN基础上引入了RPN，通过在原来的CNN结构上添加几个卷积层，在实现共享权值的同时，几乎实现了无成本的区域建议方法。

2. Faster-RCNN流程介绍：

​ 论文原图中的流程如下图：

​ 当然，如果你仅仅是想要知道流程怎么样，对其内部不感兴趣的话，可以直接看此图，流程如下：

• 首先，输入一张图片
• 然后，将这张图片送给CNN架构，其输出一个特征图
• 然后，利用RPN网络产生一些区域建议框
• 其次，将区域建议框映射到特征图上，并使用ROI Pooling方法产生固定长度的输出
• 然后，把ROI Pooling输出的值用于回归和分类即可

​ **但是，上面的流程其实非常的简短并且有些地方充满疑惑性。**因此，网上有前辈们根据pytorch官方代码和论文，总结了一张详细的流程图（来自参考资料1）：

​ 对上图进行简单的说明：

• 首先，将图片缩放到指定尺寸，然后送给去除了全连接层的VGG16，其输出一张特征图

问题：为什么要缩放到指定尺寸？

​ 明明有了ROI Pooling（无论输入，输出大小固定），为什么还需要缩放到指定尺寸。这是当时的实现工具所限制的，当时还没有如tensorflow、pytorch等简单的框架，因此考虑到方便，还是将图片缩放到同样的尺寸，方便处理。

• 然后，特征图分两步走，一步是送进RPN，一步是送给ROI Pooling

  • RPN部分：首先，根据特征图遍历生成所谓的anchors；然后将特征图经历一个3*3卷积层，再分别进行回归（校准anchor）和分类（判别anchors）。上图RPN结构中，上面路径为分类，下面路径为回归

• 接着，利用RPN生成的建议框（就是上面校准后的anchors）映射于特征图上，并将每个建议框对应的特征图内容（大小不同）提取出进行ROI Pooling操作，输出对应的ROI Pooling特征向量（长度相同）。

• 最后，将ROI Pooling特征向量进行两个全连接操作，然后进行分类和回归（softmax）

​ 下面，对上面的关键知识点进行解读：

3. Anchor/Anchor boxes：

​ RPN是Faster-RCNN中最为重要的结构，我们首先需要明白其目的：生成好的区域建议框。

​ 那么，看论文原图：

​ 首先，对上图进行简单说明，然后再细细解读细节。上图中的conv feature map，就是CNN架构最后输出的特征图，红色的框，称之为滑动窗口（sliding window）。即，在特征图上滑动一个窗口，这个窗口将特征图的n*n（图中为3*3）作为输入，将最后的输出（图中的256-d）再送给分类与回归。

​ 其实，不难看出，这个所谓的滑动窗口，就是一个3*3卷积层，没什么好神奇的。这也对应了最开始Faster-RCNN的3*3卷积层。

解释：上面的数字含义

​ 256-d，这是维度的意思。因为在Faster-RCNN论文中，CNN架构采取的是ZF模型，该模型最后一个卷积层输出的特征图通道数就是256维。同理，如果换为VGG16，那么此处应该为512-d。

​ k anchor boxes，需要知道的是anchor boxes就是我们的区域建议框，不过此时的区域建议框还是很粗暴的，因为它没有经过分类和回归的修正。其中的k表示数量的意思。

​ 2k scores和4k coordinate，一个是分类的得分（概率值），一个是坐标值。2k，表示一个框2个值（正例概率+负例概率），那么k个框，就是2k个值。同理，4k，表示一个框4个坐标值（x+y+w+h），那么k个框就是4k个值。

解释：anchor boxes是如何产生的

​ 首先，Anchor一般指框的中心，而Anchor Boxex才指的是框。

​ 从上图其实不难看出，k个anchor boxes的中心都用蓝色虚线对应了滑动窗口的中心，**这意味着滑动窗口（可移动的）每个中心都会产生k个anchor boxes。我们又知道，滑动窗口其实就是一个3*3卷积层，而特征图就是其输入，那么意味着特征图每个点都会产生k个anchor boxes。**在原文中，k取9。

​ 上面解决了第一个问题，即anchor boxes如何产生的。那么，还有一个问题，每个点都会产生k个anchor boxes，这个anchor boxes有没有什么要求？其实这个是人为定的，而在论文中，作者认为采取三个比例和三个长宽比，这样就会产生3*3=9个框，如下图所示（自己画的）：（具体到代码，一般会给定一个基础的anchor，后面的则根据比例等生成）

解释：一张特征图上的Anchor boxes数量

​ 我们假设原图大小为400*400，而CNN架构采取VGG16，那么可以知道原图经过VGG16后，得到的特征图其实缩小了16倍（4个池化层，每个缩小2倍）。

​ 那么，总共的Anchor boxes数量为：

（400/16）*（400/16）*9 = 5625

​ 问题来了，五千多个的建议框实在太多了。作者于是精选了256个合适的建议框，并且正例和负例的比列为1：1。

​ 怎样判断建议框是否合适呢？满足下列条件即可：

• IOU > 0.7的建议框为正例
• IOU最大的建议框为正例
• IOU < 0.3的建议框为负例
• 处于0.3和0.7之间的建议框直接忽略

解释：NMS与越界剔除

​ 获取到建议框后，仍然需要进行NMS（非极大值抑制，不清楚的可以看我RCNN论文解读）和越界剔除（即建议框超出了原图，需要去掉）。

解释：下图中的18和36是怎么得到的？

​ 首先，18和36都是代表通道数或维数。36=4*9，即9个框，每个框4个坐标值，其对应的数据格式应该为：

[batch_size,4*9,W,H]

​ 18=2*9，就是9个框，每个框对应2个类别值（正例或负例），其对应的数据格式为：

[batch_size,2*9,W,H]

问题：anchor boxes产生在原图还是特征图？

​ 其实从我个人的角度来说，anchor boxes产生在原图和特征图上区别不大。比如产生在原图，那么你可以通过除以16来映射到特征图上（VGG16），产生在特征图上同理。

​ 但是，从实际角度来说，anchor boxes是产生在原图的。为什么这么说？因为我们需要计算anchor boxes与真实框的IOU值，这从一定程度上已经告诉我们了它就是产生在原图的（除非你想多计算一步，多浪费点资源）。

RPN中的回归怎么实现？

​ 这个怎么讲呢，就是常见的框回归问题，几乎和RCNN中的框回归一模一样，没什么特殊的地方，如果你感兴趣，可以打开我的博客主页，找到RCNN论文解读中的部分。或者直接复制下面链接：

https://blog.csdn.net/weixin_46676835/article/details/129929232

4. 损失函数：

​ Faster-RCNN的损失函数，中规中矩，和Fast-RCNN变换不大。

​ 具体公式如下：

​ 其中：

• i表示在某一个batch中的第i个anchor boxes
• Pi表示anchor框包围的对象为不同类的概率（比如总共20各类，分别为各类的概率值）
• Pi*取{0，1}，其值由i这个anchor是否为正例决定，为正例则取1，否则取0。这意味着只有该值取1时，回归才计入损失，也即只有包含对象的框才值得计入损失，否则没啥意义。
• ti表示第i个anchor对应的4个坐标值，ti*为真实框的坐标值
• 在论文中，Ncls取batch_size的数目（假设为256），Nreg取特征图的大小（假设输入图片600*1000，VGG16架构，则特征图大小约为2400），而λ是用来平衡两者的大小关系，此时取2400/256，约为10。
• 在代码中，直接让Ncls和Nreg都取batch_size大小，这样λ直接取1即可，方便简单。

​ 而Lcls则是常用的分类损失函数，即交叉熵损失函数：

​ 而Lreg则是目标检测领域常用的平滑L1损失函数，即：

5. Faster-RCNN训练：

​ 现在想想，Faster-RCNN的训练流程其实和它的Anchor一样重要。

​ 其实，在如何训练Faster-RCNN上，作者提出了三种方法，分别是4步交替训练、近似联和训练、非近似联合训练。

​ 简单说说这三个方法：

• 交替训练：作者采取的方法，后面详细说
• 近似联合训练：即将RPN和Fast-RCNN训练时合并为一个网络。前向传递时RPN生成区域建议框，然后这些区域建议框再送给Fast-RCNN。反向传递时，就正常反向传播，只是对于共享的卷积层（即CNN架构部分），将RPN损失和Fast-RCNN损失合并。
  • 这个方法容易实现，但是忽略了anchor boxes坐标的导数值，即反向传播时不考虑anchor boxes的导数（这也是近似的由来）。
• 非近似联合训练：非常复杂，不考虑

​ 作者最终选择了交替训练的方法来训练Faster-RCNN，具体流程如下：

• 首先，肯定是把CNN架构（这里设为VGG）放在ImageNet上训练好
• 然后，VGG加上RPN网络部分（权值/卷积共享思想），开始训练RPN，其生成一系列的区域建议框
• 第一次训练Faster-RCNN（不包含RPN部分，更加准确的来说是训练Fast-RCNN）
• 再次训练RPN，得到新的区域建议框
• 第二次训练Faster-RCNN（不包含RPN部分，更加准确的来说是训练Fast-RCNN）
• …（迭代重复直至收敛，作者这里发现两次左右就收敛了）

6. 总结：

​ Faster-RCNN是两阶段检测的集大成之作，吸收了前面的所有精华。其主要的贡献在于：

• 提出了RPN结构，并巧妙利用了卷积共享的方法减少计算量
• 提出了anchor的思路
• 交替训练方法