NIPS-2015

NIPS，全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议。该会议固定在每年的12月举行,由NIPS基金会主办。NIPS是机器学习领域的顶级会议。在中国计算机学会的国际学术会议排名中，NIPS为人工智能领域的A类会议。

SS慢，EdgeBoxes 虽然能达到 0.2 second per image（和检测的时间差不多了），一个很直接的想法就是在 GPU上实现这些算法，但是 re-implementation ignores the down-stream detection network and therefore misses important opportunities for sharing computation.

相关工作先介绍了 object proposal的情况，然后是 Deep Net works for object detection（主要是 RCNN， fast RCNN 和 OverFeat），个人感觉对RCNN 和 OverFeat 的总结很精辟

R-CNN mainly plays as a classifier, and it does not predict object bounds (except for refining by bounding box regression).

In the OverFeat method, a fully-connected layer is trained to predict the box coordinates for the localization task that assumes a single object.

4.1 RPN

Note： RPN is class-agnostic 【R-FCN】《R-FCN: Object Detection via Region-based Fully Convolutional Networks》

4.1.1 Anchors

共享卷积的最后一层，ZF有 5 layers（256 dimension），VGG 有13 layers（512 dimension），

2k中 2 是 object or not object，k是每个3*3的 sliding window 中 anchor数量， 4k 中的 4 是 bbox

ratios 和 scales 的威力如下：

Translation-Invariant anchors

相比与 MultiBox的方法，Faster RCNN的 anchor 基于卷积，有 translation-invariant 的性质，而且参数量更少，（4+2）* k * dimension（eg，k=9，VGG dimension为512） parameters 为 $2.8*10^4$ ，更少的参数量的好处是，less risk of overfitting on small datasets，like PASCAL VOC

Multi-Scale Anchors as Regression References

区别于 image pyramid 和 filter pyramid，作者用 anchor pyramid（不同的 scales 和 ratios），more cost-efficient，因为 only relies on images and feature maps of a single scales and uses filters（sliding windows on feature map）of a single size.

4.1.2 Loss Function

每个anchor进行2分类，object or not，positive 为 IoU>0.5或者max IoU，negative 为 IoU<0.3，其它的anchor对训练来说没有用

损失函数如下

$i$ ：minibatch 中 $i -th$ anchor
$p_i$ ：predicted probability of anchor $i$ being an object.
$p_i^*$ ：is 1 if the anchor is positive, 0 if the anchor is negative
$t_i$ ：4 parameterized coordinates of the predicted bounding box
$t_i^*$ ：ground-truth box associated with a positive anchor
$L_{cls}$ ：log loss
$L_{reg}$ ：Smooth L1 loss，前面乘以了 $p_i^*$ 表示 regression loss is activated only for positive anchors

Normalized by $N_{cls}$ 和 $N_{reg}$ （normalization is not required and could be simplified）， $\lambda$ 用来 balance parameters

$N_{cls}$ 设置为 mini-batch的大小，eg：256
$N_{reg}$ 设置为 numbers of anchor locations（~2400）
$\lambda$ 设置为 10，正好两种损失55开

$\lambda$ 的影响如下，Insensitive

具体的 $t_i$ 和 $t_i^*$ 如下：

x，y 是 predict box 的中心，w 和 h 分别是宽和高
$x，x_a，x^*$ 分别表示 predict-box，anchor box 和 ground-truth box，y，h，w 的表示方法也一样

This can be thought of as bounding-box regression from an anchor box to a nearby ground-truth box.说白了，就是计算（predict box 与 anchor 的偏差）和（ground-truth 与 anchor的偏差）的损失

Note：这里的 bbox regression 不同于 Fast RCNN 和 SPPnet的，

Fast RCNN 和 SPPnet 的bbox regression： is performed on features pooled from arbitrarily sized RoIs, and the regression weights are shared by all region sizes.
Faster RCNN 此处的 bbox regression 是争对 per scales 和 per ratios的，To account for varying sizes, a set of k bounding-box regressors are learned. Each regressor is responsible for one scale and one aspect ratio, and the k regressors do not share weights.

4.1.3 Training RPNs

randomly sampls 256 anchors，这样会出现以下问题：but this will bias towards negative samples as they are dominate，所以我们按照1：1 的抽正负anchors，如果positive anchors不够128，pad negative anchors

We randomly initialize all new layers by drawing weights from a zero-mean Gaussian distribution with standard deviation 0.01.

Both RPN and Fast R-CNN, trained independently, will modify their convolutional layers in different ways. We therefore need to develop a technique that allows for sharing convolutional layers between the two networks, rather than learning two separate networks.

三种训练方法

Alternating training（论文中采用的方法）
Approximate joint training（效果会比交替训练好一些）
Non-approximate joint training

作者用的是交替训练，4-step Alternating Training

RPN（ImageNet 初始化，RPN and Fast RCNN not share prameters）
Fast RCNN（ImageNet 初始化，用RPN产生的proposal——替换掉SS产生的，训练Fast RNN，not share）
用上一步的训练好的参数，fine tuning RPN（share）
用重新训练的RPN提出的proposal， fine tuning the unique layers of Fast RCNN 也就是 head 部分（share）

为什么不一二三四，二二三四，换个姿势，再来一次？
A similar alternating training can be run for more iterations, but we have observed negligible improvements.

4.3 Implementation Detais

Train and test 都是 single scales，reshape shorter side s = 600 pixels
Image pyramid ： trade off accuracy and speed（没采用）
Anchors：scales， $128^2$ 、 $256^2$ 、 $512^2$ ，ratios： $1：1$ ， $2：1$ ， $1：2$ ，见表一，表中红色的字体是预设的 anchors（2：1），表中列出来的是 bbox regression 之后的结果

训练的时候，剔除 cross image boundaries （跨图边界）的anchors，测试的时候，clip（裁剪） to the image
RPN proposal 有很多overlap，我们用了非极大值抑制（NMS），iou设置为0.7，NMS does not harm the ultimate detection accuracy，但是减少了 proposal 的数量。论文中用 top-2000的proposal 进行 train。为什么NMS overlap thresold 设置为0.7呢？

看上面这个图，就是 $1：1$ ， $2：1（\sqrt2:\sqrt2/2）$ ， $1：2（\sqrt2/2:\sqrt2）$ 三种情况，假如 ground truth 和 1：1一样大，那么与 $2：1$ ， $1：2$ 的 IOU都为 $:\sqrt2/2$ ，这样的话会导致同一目标产生两种特征图，不利于网络的学习，所以把 IOU设置为0.7，尽量缓解这种情况（只是一种解释哟）

5 Experiments

5.1 Ablation Experiments

1，2，3对比，3 更好，the fewer proposals also reduce the region-wise fully-connected layers’ cost（table 5可以看到）
3，4 对比，share 好
3，6 对比，RPN+fast RCNN 比 SS+ Fast RCNN 好，train test 的 proposal 不一样
4，8 对比， NMS 影响不大
7，11差距不算大，9，11差距明显，cls 排序很重要
6，12对比，reg 很重要