[论文学习]《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 》

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/liangdong2014/article/details/79507032

• faster R-CNN的主要贡献
  
  • 提出了 region proposal network（RPN）,通过该网络我们可以将提取region proposal的过程也纳入到深度学习的过程之中。这样做既增加了Accuracy，由降低了耗时。之所以说增加Accuracy是因为，RPN是可以通过反向传播训练的，所以他提取的proposal也会更准确一些。
• The Flowchart of the Faster RCNN
  

• faster R-CNN 的几个主要概念（按照网络的结构顺序来）

  • RPN block，如下图所示。他的输入就是feature map，输出是K个anchor，以及对应的score和coordinates。其中score代表的是这个bbox是前景(foreground, fg)还是背景（background, bg），coordinates代表是bounding box 的坐标。
    
    
    • RPN中首先将每一个slide Windows变成一个256/512(ZF/VGG respectively)维的向量，代表的是提取特征。因为我们要对每个slide window做这一步操作，所以这步操作也可以通过卷积来完成，卷积kernel的size就是slide window的大小。假设，我们Feature map 的大小为w*h, 我们每个anchor的size和长宽比都有三种，所以针对每个pixel，我们可以得到的anchor的个数为9个。（注意，一开始anchor是针对每个pixel都提取的，只不过后来通过一些算法剔除了一些）。
    • proposal score：在第一步，我们得到了中间层，抽象来讲就是每个pixel的特征向量，要知道这里的pixel对应到原图中就是16倍的（vgg16为例）。然后我们再通过一个卷积层来预测每个pixel的每个anchor的得分。所以这里的输出就是w*h*18。
    • proposal bbox location：同上一步，这里的输入也是第一步的输出。在上一步中，我们已经得到了bounding box的坐标，这一步的作用是对上面的坐标进行微调(平移和缩放)。也需要4个参数。所以这里的输出就是w*h*36。
  • 到目前为止，我们就已经可以训练RPN了。下面是训练RPN中的知识点：
    
    • Loss function 是由两部分组成，第一部分是对proposal score计算交叉熵，第二部分是对proposal bbox计算Smooth L1 loss。
    • 对proposal score计算交叉熵：首先是通过Softmax得到概率。既然计算交叉熵，那么我们的label是什么呢？我们知道我们已经得到了许多anchor，每个anchor都可以映射到原图上去，而原图也是有ground truth的。所以我们的label主要是通过anchor与ground truth(bounding box)的IoU的值来决定的。原文将anchor的label分为三种类型：1,0，和-1。它们分别代表fg，bg和don’t care。其中fg有两个条件：1、IoU的值大于0.7。2、ground truth对应IoU最大的anchor。两者只要满足其一就认为是fg。bg的话就是IoU不满足条件。don’t care一般是指anchor不合法，比如说越界等情况。为了减少计算量，文中提出了一种优化方法，也就是限制fg和bg的个数。文中限制的总数不超过256个，fg的个数不超过128个。然后计算交叉熵的时候，我们只关注fg和bg。
    • 对于proposal bbox location计算Smooth L1 loss。其中Smooth L1 loss的定义如下所示：
      $$x_i=w_{in}(t_i-v_i) i \in \{x,y,w,h\}\\ L1(x_i) = \left\{\begin{matrix} 0.5x_i^2 \sigma^2 & |x_i\sigma| < 1\\ |x_i| - \frac{0.5}{\sigma^2} & otherwise \end{matrix}\right.\\ SmoothL1 = w_{out}\sum_{i\in{x,y,w,h}}{L1(x_i)}$$
      -其中$w_{in}$ 是选择那些fg的anchor，其余的都为0。 $w_{out}$ 是为了正则化。总的来说，就是我们只对fg计算Smooth L1 loss。
  • 到目前为止，我们已经可以提取proposal了(bounding box)，为了消除提取proposal的冗余性，我们使用non-maximum suppression(nms,非最大抑制)。
    
    • 算法流程：
      
      • 按照得分从高到低将N个矩阵排序，假设排序好的最高得分的是R1，并且得分依次递减，Rn的得分最低。
      • 从前往后找到第一个未被确定的矩阵x
      • 从该位置往后遍历，计算每一个矩阵y与矩阵x的IoU值，如果该值大于阈值，则删除矩阵y，否则继续该步骤。直到遍历完成整个矩阵集合。
      • 重复步骤2，直到集合中的所有元素都已经确定。
    • 注意，算法里面的score就是我们之前预测的每个anchor的score。
  • 到目前位置我们已经找到了将要输入R-CNN的proposal，接下来就是给所有的proposal赋予相应的label，这是依据他对某个ground truth的IoU值来确定的。
  • 到目前为止，我们得到了proposal和label。但是在输入到R-CNN前还有一问题，那就是我们的proposal的大小是不一致的，但是我们在输入到fully connected layer之前必须将他们的维度变成一致的。在这里，作者采用了RoI pooling的方法。RoI Pooling最直观的介绍如下图所示。通过RoI Pooling, 我们将所有的proposal的都变成了7*7的大小。
    
  • 最后再将ROI Pooling的结果展开输入到fully connected layer中去，实现object classification。

• 实现代码：upcoder/MyFasterRCNN
• 参考文献：
  
  • RoI Pooling
  • Smooth L1 Loss
  • NMS, 非最大抑制
  • 原文 Paper