Faster R-CNN改进篇（一）： ION ● HyperNet ● MS CNN_faster rcnn 改进后的hypernet 代码

一. 源起于Faster

       深度学习于目标检测的里程碑成果，来自于这篇论文：

       Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information Processing Systems. 2015.

       也可以参考：【论文翻译】

       虽然该文章前面已经讲过，但只给出了很小的篇幅，并没有作为独立的一篇展开，这里我们详细展开并讨论其 网络结构、应用领域 及 后续改进。

       前面文章参考：【目标检测-RCNN系列】

二. 网络结构

       Faster RCNN的网络结构图如下：

       用的还是之前的图，其实对于这张图只需要记住一点：RPN网络，这是本文的核心贡献，RPN通过深度网络实现了 Proposal 功能，相较于之前的 SS（Selective Search）方法 和 EdgeBoxes 方法有很大提升。

       RPN 我们来看原论文的图：

       这张图虽然经典，但描述的并不太清楚，有些人可能看不明白，有几个关键点需要说明：

1）RPN 连接在 Conv5 之后

     参考网络结构图，先理解 Conv5，Conv5是前面经过4次conv和pooling。

     对于原图800*600的输入，Feature尺寸 变为[800/16,600/16] = [50,37.5]，

     Conv5的输出维度为 256，Feature维度 为 256。

2）Anchor 生成与排序

     特征图采用滑窗方式遍历，每个特征像素点 对应K个 Anchor（即不同的Scale和Size），上述input对应的Anchor Count为 50*38*k(9) = 17100。

     对应如此多的 Anchor，需要通过置信度剔除大多数Candidate，通常保留100-300个就足够了。

     训练过程中通过IOU进行正负样本的选择，测试过程中置信度较低的被丢弃。

3）RPN 输出

     如上图所示，输出分为两部分，2K Scores + 4K Reg，基于 256d 的 intermediate 层，通过两个网络，同时进行 分类 + 回归，Scores提供了作为前景、背景目标的概率（2位），Reg提供了4个坐标值，标识Box位置。

     参考如下Caffe结构图，先通过3*3 的卷积核进行处理，然后1*1的卷积核进行降维，在 k=9 的情况下，每个像素对应生成 2*k = 18个 Scores 参数 和 4*k = 36个 Reg参数。

     整体上 1*1 卷积生成的特征是    分类W*H*18   &   回归W*H*36，其中 ReShape 是方便 Softmax 用的，可以忽略掉。

     Proposal层 根据 Softmax 输出（丢弃背景），结合对应 Anchor和Stride进行映射，将Box映射到原图，作为下一步 ROI Pooling 的输入。

        

4）RPN 结合方式

     RPN 网络相对独立于卷积层，原文中通过 ImageNet 数据集进行预训练。

     微调时，分别固定 RPN参数 和 卷积网络参数，对另外的网络部分进行微调，也就是说，虽然 Faster实现了端到端的处理，但并未实现全局的 Fine Turning。

5）ROI Pooling