【目标检测系列：二】Faster RCNN 论文阅读+解析+pytorch实现_proposal+分类

Introduce

Faster RCNN 组成

（1）基础特征提取网络（2）RPN (Region Proposal Network) （3）Fast-RCNN

共享：RPN和Fast-RCNN共享特征提取卷积层
思路：提取proposal + 分类

Faster RCNN 和 SPPNet

• 不同于SPP层的是，没有多尺度的pooling，只有一个尺度的pooling(可以理解为特殊的SPP层)
• 其次引入了多任务损失函数，用于同时计算bbox回归和分类的损失。

Net

我们先整体的介绍下上图中各层主要的功能

1. Conv layers提取特征图：
   提取图片的特征

• 作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取input image的feature maps,该feature maps会用于后续的RPN层和全连接层

2. RPN(Region Proposal Networks):

   RPN网络主要用于生成 region proposals

   • 首先生成一堆 Anchor box，对其进行裁剪过滤后通过softmax判断anchors属于前景(foreground)或者后景(background)，即是物体or不是物体，所以这是一个二分类；同时，另一分支bounding box regression修正anchor box，形成较精确的proposal（注：这里的较精确是相对于后面全连接层的再一次box regression而言）

   • RPN网络为CNN后面接一个3*3的卷积层，再接两个1*1的卷积层(原文称这两个卷积层的关系为sibling)，其中一个是用来给 softmax 层进行分类，另一个用于给候选区域精确定位。

   • 代替之前的 search selective

3. Roi Pooling：

该层利用RPN生成的proposals和VGG16最后一层得到的feature map，得到固定大小的proposal feature map,进入到后面可利用全连接操作来进行目标识别和定位

• 和Fast R-CNN一样，将不同大小的输入转换为固定长度的输出，输入输出和Fast R-CNN中RoI pooling一样。

4. Classifier：

输出候选区域所属的类，和候选区域在图像中的精确位置。

• 会将Roi Pooling层形成固定大小的feature map进行全连接操作，利用Softmax进行具体类别的分类，
• 利用L1 Loss完成 bounding box regression 回归操作获得物体的精确位置.

Anchor

• 可以理解为一些预设大小的框
• anchor 种类 k = 9
  分别是三个面积尺寸（128 × 128，256 × 256，512 × 512）
  三种不同的长宽比例（1:1,1:2,2:1）
• 每个anchor对应原图的一个区域，我们要学习这个区域的分类（2分类前景/背景）和框回归微调（4个x,y,w,h）
• 两个Loss，每个anchor分类有2个输出，回归有4个输出
  一共k个anchor，即一共2k和分类score和4k各回归坐标

Multi-task Loss Function

多任务损失函数(Multi-task Loss Function)

• Softmax Classification Loss
• Bounding Box Regression Loss

Anchors的生成规则

• 经过Conv layers后，图片大小变成了原来的1/16

• 在生成Anchors时，我们先定义一个base_anchor，大小为1616的box
  (因为特征图(6040)上的一个点，可以对应到原图（1000600）上一个1616大小的区域)

• 源码中转化为[0,0,15,15]的数组，参数ratios=[0.5, 1, 2],scales=[8, 16, 32]

  • 先看[0,0,15,15],面积保持不变，长、宽比分别为[0.5, 1, 2] 产生的Anchors box
    

  • 经过scales变化，即长、宽分别均为 (168=128)、(1616=256)、(16*32=512)，对应anchor box如图
    

  • 综合以上两种变换，最后生成9个Anchor box

  

最终base_anchor=[0,0,15,15]生成的9个Anchor box坐标如下：

[[ -84.  -40.   99.   55.]  
[-176.  -88.  191.  103.]  
[-360. -184.  375.  199.]  
[ -56.  -56.   71.   71.]  
[-120. -120.  135.  135.]  
[-248. -248.  263.  263.]  
[ -36.  -80.   51.   95.]  
[ -80. -168.   95.  183.]  
[-168. -344.  183.  359.]]
1
2
3
4
5
6
7
8
9

具体计算过程见 Pytorch - Anchor

• 特征图大小为6040，所以会一共生成6040*9=21600个Anchor box
  源码中，通过width:(0_{60)*16,height(0}40)*16建立shift偏移量数组，再和base_ancho基准坐标数组累加，得到特征图上所有像素对应的Anchors的坐标值，是一个[216000,4]的数组

这21600 个anchor怎么筛选呢？？这就用到下面的 RPN 了

RPN

RPN

• 是 Faster R-CNN与Fast R-CNN最大的区别
• 可以理解为一种全卷积网络，该网络可以进行end-to-end的训练
• 最终目的是为了推荐候选区域