从前慢现在也慢

这个屌丝很懒，什么也没留下！

热门标签

Faster R-CNN学习总结_faster rcnn 全连接层神经元数量是多少

作者：从前慢现在也慢 | 2024-03-16 14:29:49

踩

faster rcnn 全连接层神经元数量是多少

文章目录

简介

本文假定读者已经有了一定的目标检测的预备知识，否则请戳博客卷积神经网络总结及R-CNN系列目标检测算法总结（应该还不错，欢迎戳~）。本文将对Faster R-CNN中的关键点进行介绍，其它特别细节的点还是推荐阅读论文。

注：本文参考了很多其他文章，最后均给出了链接，感谢分享。

Faster R-CNN是在R-CNN和Fast R-CNN的基础上改进而来的，关于这两个模型的基本知识请戳上面的链接。Fast R-CNN中说唯一的遗憾就是region proposals是用SS算法产生的，跑在CPU上，消耗了大量时间。作者就想：为什么不用神经网络来产生region proposals呢，这样整个网络就都可以用GPU来跑了（RPN部分就是用来做这个的）。注意不单单是训练一个网络来产生region proposals，两个网络单独训练看起来并不那么优美，并且错过了共享计算的好处。所以我们要解决两个问题：

使用RPN网络来产生region proposals；
RPN要和之前的网络（Fast R-CNN）共享卷积计算；

那么R-CNN，Fast-RCNN和Faster-RCNN之间的区别就很明显了：
在这里插入图片描述

网络结构

下面先给出Faster R-CNN的网络结构，后面会对这个结构的关键部分进行介绍。
图 1
其中红色部分就是新增的RPN（用来产生Region Proposals），绿色部分是Fast R-CNN中就有的。（说白了Faster R-CNN就是在Fast R-CNN的基础上多加了一个RPN用来代替SS产生proposals而已）

Fast R-CNN

因为Faster R-CNN相对Fast R-CNN来说最大的改进就是利用RPN来代替SS产生proposals，除此RPN结构之外，其余的部分基本照搬Fast R-CNN，也就是上图中的绿框的部分，在这里就不再赘述，详细请参考论文。

RPN

这是Faster R-CNN中的关键。回想我们要解决的两个任务：

使用RPN网络来产生region proposals；
RPN要和之前的网络（Fast R-CNN）共享卷积计算；

此处共享卷积部分就是让RPN和Fast R-CNN共享卷积计算（即上图最上面那个绿色的框）。这样，RPN部分也可以利用共享卷积部分提取到的feature map来产生proposals了。

RPN就是在Convs最后一层的基础上添加了额外的卷积层，所以RPN是一个全卷积网络，同时拥有对应的损失函数(后面讲)，所以RPN是可以被端到端地训练。RPN的作用就是代替以前的SS来产生一幅图的Region Proposals。

因为RPN部分会生成很多的默认框（anchors），所以要解释RPN就不能不提到anchors。

Anchors

Anchors是RPN中一个重要的概念。在feature map中每个点（注意是每个点！）都会预测k个anchor boxes（论文中 $k = 9$ ），这些anchor是在输入图像上的，相当于预选的ROI。同时这些anchor都是以feature map的每点为中心(可以映射到输入图上)，且其大小和长宽比都是事先固定的(论文中使用了三种大小及长宽比，即k=9)，所以这些anchor boxes都是确定的。下面是一个点上的9个anchor boxes：

为什么要有多种anchor，就是为了引入多尺度。引入多尺度有三种方式，这一点参看原文中的Figure 1以及下面的解释，这里不再赘述。

Proposals生成

论文中实际上在feature map上使用了 $n * n$ 的sliding window（n=3），所以anchor boxes的中心就是sliding window的中心：

红色的框就是sliding window（注意sliding window只是选择位置，除此之外没有其它作用，和后面的 $3 * 3$ 的卷积区分），大小为 $n * n$ （实现时n=3）。下面来解释这一幅图（Faster中最关键的地方）：

以ZF的网络结构为例，Convs提取到的归一化图像（resize过后的图像，即架构中 $M * N$ 的图）的feature map有256个通道。

然后RPN想在这个feature map（视为一张有256个通道的图片）上滑动一个小网络来对其每个点在归一化图像上对应的9个anchor boxes进行打分（判断每个box是否为前景）和回归（每个box的位置修正变换）。对应上图就是2k和4k的输出（k=9），2代表了前景背景，4代表了位置坐标转换的4个值（见R-CNN）。

下面来介绍Proposals的生成过程，如图：

共享卷积部分得到的特征图先经过一个 $3 * 3$ 的卷积生成具有256个channel的特征图。（为什么要这么做？论文中也没具体说，目测是为了融合附近pixel的信息，更鲁棒？）

补充：这里有一点我们要特别说明一下，想必大家都知道卷积操作存在感受野。但是这里有个坑，比如一副 $8 * 8$ 的图片卷积后得到一个 $4 * 4$ 的特征图，此时并不是说特征图中的每一个点都是对应输入图片的一个 $2 * 2$ 的区域的！不多解释，具体见下图：

在这里插入图片描述
我这里谈感受野是想表达：，feature map中的一个点在输入图像上的感受野是很大一片区域。而这个区域基本上可以包含想要的9个anchor boxes(anchor boxes的大小设定应该是跟原始图像中想要检测的目标大小有关)。即使没有完整的包含anchor box也ok，因为如果找到了目标的中心一大部分信息，也能大致推断出是否是目标以及目标的大致范围（在某篇博客中看到的）。所以通过那256维的特征向量（后面会说）就能包含9个anchor的信息。（这就是特征表示学习的含义）

言归正传，在共享卷积部分得到的特征图经过 $3 * 3$ 的卷积后，对应点（我们现在只看一个点，相当于不滑动卷积核，对理解有帮助）即周围信息其实就变成了一个256维的特征向量（再次强调这个特征向量只是针对feature map中的一个点在归一化图像上的信息）。这个256维的特征向量就会用于分类和回归，它会与 $1 * 1$ 的卷积层相连，一个卷积层的神经元个数是2k（k=9），另一个卷积层的神经元个数是4k。如下：
在这里插入图片描述

看完单个点的，再来看完整的
在这里插入图片描述
上面所谓的第一个位置，第几个anchor，anchor的哪个参数都是我自己理解的一种方式，实际的排序可能不是这样，这样写只是想说最后那18个卷积核和36个卷积核都有自己的任务：针对同一位置不同Anchor或者同一Anchor的不同的指标（是否是前景，以及位置坐标转换等）

损失函数

损失函数（和Fast R-CNN类似）分为两部分：一个是分类的损失（softmax损失），一个是回归的损失（anchor位置坐标修正， $smooth\ L_1$ loss）。如下：

$L\left(\left\{p_{i}\right\},\left\{t_{i}\right\}\right)=\frac{1}{N_{c l s}} \sum_{i} L_{c l s}\left(p_{i}, p_{i}^{*}\right)+\lambda \frac{1}{N_{r e g}} \sum_{i} p_{i}^{*} L_{r e g}\left(t_{i}, t_{i}^{*}\right)$

其中i是mini-batch中anchor的索引， $p_i$ 是anchor i是前景的预测概率(网络计算出来的值)， $p_i^*$ 是anchor i的真实情况：如果anchor i是前景（通过IOU来确定）则为1，否则为0。

这里又要涉及到如何断定anchor是否为前景：

与GT相比，拥有最高的IOU的anchor为前景（可以低于0.7）
与任意GT相比，IOU>0.7为前景（正样本）
与任意GT相比，IOU<0.3为背景（负样本）
其余的非负非正，则没有用。（忽略，不计算损失）

然后是各个损失的详细定义如下：

$L_{c l s}\left(p_{i}, p_{i}^{*}\right)=-\log \left[p_{i}^{*} p_{i}+\left(1-p_{i}^{*}\right)\left(1-p_{i}\right)\right]$

$L_{r e g}\left(t_{i}, t_{i}^{*}\right)=R\left(t_{i}-t_{i}^{*}\right)$

$\text { smooth }_{L_{1}}(x)=\left\{$

\begin{array}{ll}{0.5 x^{2}} & {\text { if }|x|<1} \\ {|x|-0.5} & {\text { otherwise }}\end{array}

$\begin{array}{ll}{0.5 x^{2}} & {\text { if }|x|<1} \\ {|x|-0.5} & {\text { otherwise }}\end{array}$ \right.

smooth_{L_{1}} (x) = {0.5 x^{2} ∣ x ∣ - 0.5 if ∣ x ∣ < 1 otherwise

值得注意的是 $N_{cls}$ :是mini-batch的大小（256）， $N_{reg}$ 是anchor位置的数量(论文里是the number of anchor locations,且大约为2400，论文中有讲)。 $\lambda$ 为10，意味着这样两种损失基本上同样重要。实验结果显示，最终结果(mAP)对 $\lambda$ 的值不敏感。

再结合之前说的"最后那18个卷积核和36个卷积核都有自己的任务：针对同一位置不同Anchor或者同一Anchor的不同的指标（是否是前景，以及回归意见等）",可以把网络看成学习了9个前景/背景打分器，9个线性回归器。每个打分器对一个点的某种anchor判断是前景还是背景，每个线性回归器对一个点的某种anchor进行位置修正。

有了打好分的anchor boxes以及初步位置修正的transformation，再结合原图的一些信息就能经由图2中的Proposal层来得到输入图像的Region Proposals（这里面又涉及到NMS，以及剔除超出图像边界的ROI，后面会讲）。这样RPN就代替SS算法产生了输入图像的Region Proposals(也就是ROI)，剩下的事情例如在feature map中找到Region Proposals对应的部分和ROI polling等就和Fast R-CNN一模一样了，这里不再赘述。

注：论文中得到的feature map大小为 $60 * 40$ ，因为每个点产生9个anchor，所以大约有20000个anchor，去除掉超过原图边框的anchor，大致还剩6000个，再进行NMS（论文中的阈值为0.7），最后剩下大概2000个anchor。

done~

References

本文内容由网友自发贡献，转载请注明出处：https://www.wpsshop.cn/w/从前慢现在也慢/article/detail/250063