Faster R-CNN 整体流程介绍_faster rcnn流程

0.1 Faster R-CNN整体流程图

0.2 RPN层流程图

1 开始之前的关键词

对于关键词，大可挑选自己不懂的地方看，并不需要全看所有的介绍。

1.1 分类与回归

分类是将检测出现的正样本进行归类的过程，而回归是在一张图片里预测出目标出现的具体位置，希望找到一种变换，将预测和真实的标定进行无限靠拢。

1.2 进入RPN层之前的两个1x1卷积

支路1: 1x1的卷积输出num_output=18，18的来源是feature map中，每一个点会生成9个anchor，对每个anchor进行positive与negative的判断，这些信息保存在9x2的矩阵内，所以输出为18，之后，softmax层将依照交并比（IoU），进行positive和negative的判断。

支路2: 1x1的卷积输出num_output=36，支路2是为proposal layer作准备，准备了9个anchor与4个对应的坐标信息，在proposal layer进行回归。

1.3 Reshape layer

Reshape layer 的作用是为了解决数据格式的问题，在softmax之间和之后都配备有了一个Reshape layer，解决了caffe先前的数据格式问题，并不是学习的重点内容。

1.4 Softmax

softmax的作用，softmax层可以将输入的数据映射为概率（0-1之间），保证之和为1；softmax层使用交叉熵作为损失函数，这样还有一个好处，就是在反向传播的过程中，只需要将正确分类的那一项概率值-1（具体的推导我参阅这篇博客https://blog.csdn.net/bitcarmanlee/article/details/82320853），就会得到了反向更新的梯度。

说了这么多，softmax在Faster R-CNN中出现了两次，第一次出现在RPN层中，进行anchor的P/N判断，第二次出现在classficaition中进行类别的判断。

在softmax 层里，可以使用交叉熵损失函数，也可以使用均方差损失函数，他们都可以达到良好效果。

1.5 Proposal layer

proposal layer 汇总了两条支路信息，
1）接收RPN层给出的建议框(P/N)；
2）接收anchor的位置信息；
3）超参数im_info=[M,N,scale_factor]，保存了图像的从开始到proposal layer的缩放信息，用来计算anchor的偏移量；

最后，proposal layer 负责综合P/N信息和对应的位置信息进行坐标回归（bounding box regression），获取精确的proposal。

1.6 RoI Pooling

RoI Pooling 层是出现在RPN层结束后，分类任务开始之前。

RoI Pooling层是为了解决Proposal layer 给出建议框大小不同的问题，将大小不同的建议框变成大小相同的特征图，之后进行分类。

下面会有更详细的解释。

1.7 全连接层

只看图，不说话，参考这一篇文章：https://zhuanlan.zhihu.com/p/33841176
结论就是：全连接层可以忽略空间结构特性，把众多的feature map整合为一个值，这个值大，则这个值经过softmax之后由获得很大概率的可能性要大得多。

全联接层对模型影响的三个参数：
1）全连接层的总层数
2）单个全连接层的神经元数
3）激活函数形式

1.8 激活函数

作用：增加模型的非线性表达能力，缓解梯度消失问题，将特征图映射到新的特征空间从而更加有利于训练。

内部定义：
layer {
  name: "roi_pool5"
  type: "ROIPooling"
  bottom: "conv5_3"
  bottom: "rois"
  top: "pool5"
  roi_pooling_param {
    pooled_w: 7  # 宽度被resize之后的大小
    pooled_h: 7	 # 高度被resize之后的大小
    spatial_scale: 0.0625 # 1/16 记录缩放比例
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13

2 Faster R-CNN 大体流程

2.1 Conv Layers

也叫做backbone，使用conv+relu+pooling三层的组合提取图像的特征图，得到的特征图被后续RPN层共享，也被RoI Pooling 层共享

2.2 RPN

RPN网络用于生成建议框，这一层使用softmax层分类器判断建议框positive或negative，之后进行bounding box regression 修正anchors获得精确的proposals，注意，并不是只对positive框进行回归，而是对所有框进行回归，这一点由训练时的代价函数可以断定

i表示anchors index
pi表示positive softmax probability
pi表示对应的GT predict 概率 （IoU>0.7，pi=1，IoU<0.3，pI=0）
t代表predict bounding box，t代表对应的positive anchor 对应的 GTbox

可以看到RPN层的Loss分为两部分：

1. softmax loss，用来进行positive/negative分类时产生的loss
2. bounding box regression loss，用来计算回归loss

而回归使用的是smooth L1 loss 计算公式为：

2.3 RoI Pooling

输入：1)经过conv+relu+pooling 之后的特征图；2)proposal layer的结果；综合信息后提取proposal feature maps ，将不同大小的proposal feature maps 大小归一化，送入后续识别

输出：一组向量，一个batch里向量的个数=建议框数量，向量大小=CxWxH，其中C为通道数，W=7，H=7(W，H是超参，论文里设定的)；

具体的细节过程是：
RoI Pooling Layer 将上一步Proposal layer生成的建议框映射到输入图像对应的特征图（也就是CNN之后的特征图），映射过程需要进行取整（第一次取整），然后将取整后的建议框划分为WxH个区域，此处的区域划分也需要取整（第二次取整）

需要看代码解决

2.4 Classification

这一层计算proposal的类别，同时再进行一次细致回归，获得检测框的最终位置。

3 总结

3.1 以Loss的角度观察Faster R-CNN

关于整体Loss的计算实际分为两部分：
1）在RPN层中，Loss是由两部分组成，对proposal进行positive/negative分类误差；对proposal进行bounding box regression 回归误差

2）在Classification中，对proposal区域进行分类时得到的误差，与更精确的proposal回归时得到最终区域时得到的误差。

3.2 以anchor的角度观察Faster R-CNN

1. 首先生成的base anchor数量为9个，即后面的K=9；
2. backbone 输出50x38x512个特征，对应anchor设置50x38xK个anchors；
3. RPN层输出50x38x2K的分类矩阵，为什么多2，是因为2代表softmax的分类结果为Positive还是negative。
4. RPN层还输出了50x38x4K的坐标回归矩阵

过程中，每个点的2K个分类特征与4K回归特征，与K个anchor保持一一对应即可。

4 Faster RCNN 缺陷

Faster RCNN 整数化过程

（1）region proposal的xywh通常是小数，但是为了方便操作会把它整数化，所以anchor们都被整数化了。

（2）在ROI Pooling中，将整数化后的边界区域平均分割成 k x k 个单元，对每一个单元的边界进行整数化。

5 参考资料

Faster R-CNN详解：https://www.zhihu.com/people/george-zhang-84/posts
全连接层：https://zhuanlan.zhihu.com/p/33841176
softmax：https://blog.csdn.net/bitcarmanlee/article/details/82320853