Faster-Rcnn原理详解

墨蓝 2022-05-21 11:39 469阅读 0赞

## 作者 ##

提到目标检测，就不得不RBG大神，该大神在读博士的时候就因为dpm获得过pascal voc 的终身成就奖。博士后期间更是不断发力，RCNN和Fast-RCNN，Faster-Rcnn就是他的典型作品。

## 前言 ##

讲起faster-rcnn，就不得不讲讲r-cnn，和fast-rcnn的原理，不过这个今天不是我们讲的内容，我们就稍微简略的讲一下，具体的去看他们的论文  
r-vnn：链接: [https://pan.baidu.com/s/1hsengAo][https_pan.baidu.com_s_1hsengAo] 密码: cdd8  
fast-rcnn:链接: [https://pan.baidu.com/s/1i4SFHfZ][https_pan.baidu.com_s_1i4SFHfZ] 密码: 38am  
faser-rcnn:链接: [https://pan.baidu.com/s/1sl7aVeP][https_pan.baidu.com_s_1sl7aVeP] 密码: mapn

*  r-cnn  
    1.region proposal(Selective Search方法，具体可以去看他的论文，主要讲的就是生成２K个候选框，用颜色等特征进行融合)  
    2.feature extraction(Deep Net)：用卷积神经网络对每个region提取特征（Alex-net）  
    3.Classification(SVM）：对proposal提取到的特征进行分类，用的方法是SVM  
    4.rect refine(regression)：对propoposal进行修正。
 *  fast-rcnn  
    1.region proposal(SS)  
    2.feature extraction(Deep net)  
    3.classification(Deep net)  
    4.refine(Deep net)

注意：Rcnn存在着重复计算的问题(proposal的region有几千个，多数都是互相重叠，重叠部分会多次重复提取特征，浪费时间)，作者借助SPP-net搞出了fast-rcnn，跟R-cnn最大区别就是fast-rcnn将proposal的region映射到CNN的最后一层feature map,这样一张图片只需要提取一次特征。而且把分类也在卷积神经网络一起解决了

## faster-rcnn原理 ##

论文的demo用了ZF和VGG16的网络结构，本文默认用VGG16  
它的结构图：  
![这里写图片描述][SouthEast]  
它的前13层是用了VGG提取特征，主要算法实习是后面几层  
![这里写图片描述][SouthEast 1]  
![这里写图片描述][SouthEast 2]

test 网络 展示了python版本中的VGG16模型中的faster\_rcnn\_test.pt的网络结构，可以清晰的看到该网络对于一副任意大小PxQ的图像，首先缩放至固定大小MxN，然后将MxN图像送入网络；而Conv layers中包含了13个conv层+13个relu层+4个pooling层；RPN网络首先经过3x3卷积，再分别生成foreground anchors与bounding box regression偏移量，然后计算出proposals；而Roi Pooling层则利用proposals从feature maps中提取proposal feature送入后续全连接和softmax网络作classification（即分类proposal到底是什么object）。  
![test网络][test]

## 算法步骤 ##

*  １．Conv layers.作为一种cnn网络目标检测的方法，faster\_rcnn首先使用一组基础conv+relu+pooling层提取image的feture map。该feature map被共享用于后续的RPN层和全连接层。
 *  ２．Region Proposal Networks.RPN层是faster-rcnn最大的亮点，RPN网络用于生成region proposcals.该层通过softmax判断anchors属于foreground或者background，再利用box regression修正anchors获得精确的propocals（anchors也是作者自己提出来的，后面我们会认真讲）
 *  ３．Roi Pooling.该层收集输入的feature map 和 proposcal，综合这些信息提取proposal feature map，送入后续的全连接层判定目标类别。
 *  ４．Classification。利用proposal feature map计算proposcal类别，同时再次bounding box regression获得检验框的最终精确地位置
    
    ## 详解 ##

## １．Conv　layer ##

在input-data层时，作者把原图都reshape成M×N大小的图片  
conv layer中包含了conv relu pooling三种层,就VGG16而言，就有13个conv层，13个relu层，４个pooling层。在conv layer中：  
1.所有的conv层都是kernel\_size=3,pad=1  
2.所有的pooling层都是kernel\_size=2,stride=2  
![这里写图片描述][SouthEast 3]  
Conv layer中的pooling层kernel\_size=2,stride=2，这样使得经过pooling层中M×N矩阵，都会变为(M/2)\*(N/2)大小。综上所述，在整个Conv layers中，conv和relu层不改变输入输出大小，只有pooling层使输出长宽都变为输入的1/2。  
那么，一个MxN大小的矩阵经过Conv layers固定变为(M/16)x(N/16)！这样Conv layers生成的featuure map中都可以和原图对应起来。

## ２．Region Propocal Networks（RPN） ##

经典的检测方法生成检测框都非常耗时，如OpenCV adaboost使用滑动窗口+图像金字塔生成检测框；或如RCNN使用SS(Selective Search)方法生成检测框。而Faster RCNN则抛弃了传统的滑动窗口和SS方法，直接使用RPN生成检测框，这也是Faster RCNN的巨大优势，能极大提升检测框的生成速度。  
![这里写图片描述][SouthEast 4]

上图中展示了RPN网络的具体结构，可以看到，feature map 经过一个3×3卷积核卷积后分成了两条线，上面一条通过softmax对anchors分类获得foreground和background（检测目标是foregrounnd），因为是２分类，所以它的维度是2k　scores。下面那条线是用于计算anchors的bounding box regression的偏移量，以获得精确的proposal。它的维度是4k coordinates。而最后的proposcal层则负责综合foreground anchors和bounding box regression偏移量获取proposal，同时剔除太小和超出边界的propocals,其实网络到这个Proposal Layer这里，就完成了目标定位的功能

## 1x1卷积核,3x3卷积核 ##

如果卷积的输出输入都只是一个平面，那么1x1卷积核并没有什么意义，它是完全不考虑像素与周边其他像素关系。 但卷积的输出输入是长方体，所以1x1卷积实际上是对每个像素点，在不同的channels上进行线性组合（信息整合），且保留了图片的原有平面结构，调控depth，从而完成升维或降维的功能。  
![这里写图片描述][SouthEast 5]

*  对于单通道图像+单卷积核做卷积，前面我已经讲过了。
 *  对于多通道图像＋多卷积核做卷积，计算方式如下：  
    ![这里写图片描述][SouthEast 6]  
    如图，输入图像layer m-1有4个通道，同时有2个卷积核w1和w2。对于卷积核w1，先在输入图像4个通道分别作卷积，再将4个通道结果加起来得到w1的卷积输出；卷积核w2类似。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！

> 对于多通道图像做1×１卷积，其实就是将输入的图像的每个通道乘以卷积系数加在一起，即相当于把原图像中本来各个独立通道”联通”在一起。

## 对于多通道图像+多卷积核做卷积，计算方式如下：   ![v2-8d72777321cbf1336b79d839b6c7f9fc_hd.jpg][]图5 多通道卷积计算方式 ##

如图5，输入有3个通道，同时有2个卷积核。对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！  
对多通道图像做1x1卷积，其实就是将输入图像于每个通道乘以卷积系数后加在一起，即相当于把原图像中本来各个独立的通道“联通”在了一起。

## anchors ##

提到PRN网络，就不能不说anchors。所谓的anchors，实际上就是一组由rpn/generate\_anchors.py生成的矩形。直接运行作者demo中的generate\_anchors.py可以得到以下输出：

> \[\[ -84. -40. 99. 55.\]  
> \[-176. -88. 191. 103.\]  
> \[-360. -184. 375. 199.\]  
> \[ -56. -56. 71. 71.\]  
> \[-120. -120. 135. 135.\]  
> \[-248. -248. 263. 263.\]  
> \[ -36. -80. 51. 95.\]  
> \[ -80. -168. 95. 183.\]  
> \[-168. -344. 183. 359.\]\]

其中每行的４个值（x1,y1,x2,y2）代表矩形左上角和右下角点的坐标。９个矩形共有３种形状，3 scale with box areas分别是｛128\*128 256\*256 512\*512｝和 3 aspect ratios分别是近似｛（1:1 1:2 2:1）｝，所以共９种矩形。实际上通过anchors就引入了检测中常用的多尺度方法  
![这里写图片描述][SouthEast 7]  
![v2-7abead97efcc46a3ee5b030a2151643f_hd.jpg][]图6 anchors示意图

> 注：关于上面的anchors size，其实是根据检测图像设置的。在python demo中，会把任意大小的输入图像reshape成800x600（即图2中的M=800，N=600）。再回头来看anchors的大小，anchors中长宽1:2中最大为352x704，长宽2:1中最大736x384，基本是cover了800x600的各个尺度和形状。
> 
> anchor的本质是什么，本质是SPP(spatial pyramid pooling)思想的逆向。而SPP本身是做什么的呢，就是将不同尺寸的输入resize成为相同尺寸的输出。所以SPP的逆向就是，将相同尺寸的输出，倒推得到不同尺寸的输入。

对于每个3×3的窗口，作者就以这个滑动窗口的中心点对应原始图片的中心点。然后作者假定，这个3×3的窗口，是从原始图片通过SPP池化得到，而这个池化的面积及比例，就是一个个anchors。换句话说，对于每个3x3窗口，作者假定它来自９种不同原始区域的池化，但是这些池化在原始图片中的中心点，都完全一样。这个中心点，就是刚刚提到的，3x3窗口中心点所对应的原始图片中的中心点。如此一来，在每个窗口位置，我们都可以根据不同的长宽比例，不同的面积的anchors，逆向推导出它所对应的原始图片的一个区域，这个区域的尺寸以及坐标，都是已知。而这个区域，就是我们想要的proposal.接下来，每个proposal我们只输出６个参数，每个proposal和ground truth进行比较得到的前景概率和背景概率（２个参数）对应图片上的cls\_score，由于每个proposal和groundtruth的位置及尺寸上的差异从proposal通过平移缩放得到ground truth需要的４个平移缩放参数（对应图片上bbox\_pred）  
![这里写图片描述][SouthEast 8]  
这样做获得检测框很不准确，不用担心，后面还有2次bounding box regression可以修正检测框位置。

解释一下上面这张图的数字。

1.  在原文中使用的是ZF model中，其Conv Layers中最后的conv5层num\_output=256，对应生成256张特征图，所以相当于feature map每个点都是256-dimensions
2.  在conv5之后，做了rpn\_conv/3x3卷积且num\_output=256，相当于每个点又融合了周围3x3的空间信息（猜测这样做也许更鲁棒？反正我没测试），同时256-d不变（如图4和图7中的红框）
3.  假设在conv5 feature map中每个点上有k个anchor（默认k=9），而每个anhcor要分foreground和background，所以每个点由256d feature转化为cls=2k scores；而每个anchor都有\[x, y, w, h\]对应4个偏移量，所以reg=4k coordinates
4.  补充一点，全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练（什么是合适的anchors下文5.1有解释）

注意，在本文讲解中使用的VGG conv5 num\_output=512，所以是512d，其他类似.....

> 补充一点，全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练

## softmax判定foreground与background ##

一副MxN大小的矩阵送入Faster RCNN网络后，到RPN网络变为(M/16)x(N/16)，不妨设W=M/16，H=N/16。在进入reshape与softmax之前，先做了1x1卷积  
![这里写图片描述][SouthEast 9]

该1x1卷积的caffe prototxt定义如下：

layer {  
      name: "rpn_cls_score"  
      type: "Convolution"  
      bottom: "rpn/output"  
      top: "rpn_cls_score"  
      convolution_param {  
        num_output: 18   # 2(bg/fg) * 9(anchors)  
        kernel_size: 1 pad: 0 stride: 1  
      }  
    }

可以看到num\_output=18,也就是经过卷积的输出的图像为Ｗ×H×18大小。这刚好对应了feature maps每一个点都有９个anchors,同时每个anchors又可能是foreground和background，所以这些信息都保存在W×Hx(9x2)大小的矩阵。为啥要这样做，因为后面的softmax类获得foreground anchors，也就是相当于初步提取了检测目标候选区域box（一般认为目标在foreground anchors中）

那么为何要在softmax前后都接一个reshape layer？其实只是为了便于softmax分类，至于具体原因这就要从caffe的实现形式说起了。在caffe基本数据结构blob中以如下形式保存数据：

blob=[batch_size,channel,height,width]

对应至上面的保存bg/fg anchors的矩阵，其在caffe blob中的存储形式为\[1, 2\*9, H, W\]。而在softmax分类时需要进行fg/bg二分类，所以reshape layer会将其变为\[1, 2, 9\*H, W\]大小，即单独“腾空”出来一个维度以便softmax分类，之后再reshape回复原状。贴一段caffe softmax\_loss\_layer.cpp的reshape函数的解释，非常精辟：

"Number of labels must match number of predictions; "  
    "e.g., if softmax axis == 1 and prediction shape is (N, C, H, W), "  
    "label count (number of labels) must be N*H*W, "  
    "with integer values in {0, 1, ..., C-1}.";

综上所述，RPN网络中利用anchors和softmax初步提取了foreground anchors作为候选区域。

> softmax判断anchors是否属于foreground或者background，这具体怎么实现我后面讲loss时会认真讲

## bounding box regression原理 ##

介绍bounding box regression数学模型及原理。如图所示绿色框为飞机的Ground Truth(GT)，红色为提取的foreground anchors，那么即便红色的框被分类器识别为飞机，但是由于红色的框定位不准，这张图相当于没有正确的检测出飞机。所以我们希望采用一种方法对红色的框进行微调，使得foreground anchors和GT更加接近。  
![这里写图片描述][SouthEast 10]

对于窗口我们一般用四维向量（x,y,w,h）表示，分别表示窗口的中心点坐标和宽高，如下图，红色的框A代表原始的Foreground Anchors,绿色的框G代表目标的GT，我们的目标是寻找一种关系，使得输入原始的anchor A经过映射得到一个跟真实窗口G更接近的回归窗口G’，即给定anchorA=(Ax,Ay,Aw,Ah),GT=\[Gx,Gy,Gw,Gh\],寻找一种变换F:使得F(Ax,Ay,Aw,Ah)=(G’x,G’y,G’w,G’h),其中（G’x,G’y,G’w,G’h）≈(Gx, Gy, Gw, Gh)。  
![这里写图片描述][SouthEast 11]

那么经过何种变换F才能从图10中的anchor A变为G’呢？ 比较简单的思路就是:  
1.先做平移  
　　　　　　　　　　　　　　G’x=Aw\*dx(A)+Ax  
　　　　　　　　　　　　　　G’y=Ah\*dy(A)+Ay  
2.再做缩放　  
　　　　　　　　　　　　　　G’w=Aw\*exp(dw(A))  
　　　　　　　　　　　　　　G’h=Ah\*exp(dh(A))  
观察上面４个公式发现，需要学习的是dx(A),dy(A),dw(A),dh(A)这四个变换。当输入的anchor A与GT相差较小时，可以认为这种变换是一种线性变换， 那么就可以用线性回归来建模对窗口进行微调(注意，只有当anchorsAGT比较接近时，才能使用线性回归模型，否则就是复杂的非线性问题了)。对应Faster Rcnn原文，平移量（tx,ty）与尺度因子（tw,th)如下：  
![这里写图片描述][SouthEast 12]  
其中x, y, w, h 对应两组框的中心点的坐标和它的宽和高。变量x,![这里写图片描述][SouthEast 13]![这里写图片描述][SouthEast 14]分别对应predicted box , anchor box 和 ground-truth box的中心店横坐标（同理，y , w , h）我们可以这么认为bounding box regression就是把anchor box 拟合到ground-truth box。在我们的公式中，用于回归的特征是相同空间大小的在feature maps。为了解决不同尺寸，一部分k bounding-box-regressionors将被学习。每一个regressor对应一个大小和一个比例值，而且k regressors　不共享weights。因此，我们可以预测不同大小的框哪怕不同大小尺度的feature

> 注意，我们的bounding box regression是在features pooled from arbitrarily sized regio执行，而且我们的regression weigths在任意大小的region都是共享的  
> 原文：Nevertheless, our method achieves bounding-box regression by a different manner from previous  
> feature-map-based methods \[7, 5\]. In \[7, 5\], bounding-box regression is performed on features  
> pooled from arbitrarily sized regions, and the regression weights are shared by all region sizes. In  
> our formulation, the features used for regression are of the same spatial size (n × n) on the feature  
> maps. To account for varying sizes, a set of k bounding-box regressors are learned. Each regressor  
> is responsible for one scale and one aspect ratio, and the k regressors do not share weights. As such,  
> it is still possible to predict boxes of various sizes even though the features are of a fixed size/scale.

接下来的问题就是如何通过线性回归获得dx(A),dy(A),dw(A),dh(A)了。线性回归就是给定输入的特征向量X,学习一组参数W，使得经过线性回归后的值跟真实值Y非常接近，即Y=WX。对于该问题，输入X就是一张图片经过卷积获得的feature map，定义为$,同时还有训练传入的GT，即（tx,ty,tw,th）。输出的是dx(A), dy(A), dw(A),dh(A)四个变换。那么目标函数可以表示为：  
![这里写图片描述][SouthEast 15]  
其中$(A)是对应anchor的feature map组成的向量，w是需要学习的参数，d(A)是得到的预测值（\*表示x,y,w,h，也就是每一个变换对应上述的一个目标函数）。为了让预测值（tx,ty,tw,th)与真实值差距最小，设计损失函数：  
![这里写图片描述][SouthEast 16]  
函数的目标为：（smooth L1 loss)  
![这里写图片描述][SouthEast 17]

需要说明，只有在GT与需要回归框位置比较接近时，才可近似认为上述线性变换成立。  
说完原理，对应于Faster RCNN原文，foreground anchor与ground truth之间的平移量 ![(t\_x, t\_y)][t_x_ t_y] 与尺度因子 ![(t\_w, t\_h)][t_w_ t_h] 如下：

![v2-18fdc24fc392a80e456b77b9a7f69c71_hd.jpg][]

对于训练bouding box regression网络回归分支，输入是cnn feature Φ，监督信号是Anchor与GT的差距 ![(t\_x, t\_y, t\_w, t\_h)][t_x_ t_y_ t_w_ t_h]，即训练目标是：输入 Φ的情况下使网络输出与监督信号尽可能接近。  
那么当bouding box regression工作时，再输入Φ时，回归网络分支的输出就是每个Anchor的平移量和变换尺度 ![(t\_x, t\_y, t\_w, t\_h)][t_x_ t_y_ t_w_ t_h]，显然即可用来修正Anchor位置了。

## 对proposals进行bounding box regression ##

了解了bounding box regression后，再回过头来看RPN网络第二条线路，如图  
![这里写图片描述][SouthEast 18]

先来看看上图中1×1卷积的caffe prototxt定义：

layer {  
      name: "rpn_bbox_pred"  
      type: "Convolution"  
      bottom: "rpn/output"  
      top: "rpn_bbox_pred"  
      convolution_param {  
        num_output: 36   # 4 * 9(anchors)  
        kernel_size: 1 pad: 0 stride: 1  
      }  
    }

可以看到num\_output=36，即经过卷积输出图像为W×H×36，在caffe blob存储为\[1,36,H,W\],这里相当于feature maps每个点都有9个anchors,每个anchors又有４个用于回归的\[dx(A),dy(A),dw(A),dh(A)\]变换量。

## Proposal Layer ##

proposal layer负责综合所有的\[dx(A),dy(A),dw(A),dh(A)\]变换量和foreground anchors，计算出精准的proposal，送入后续的Roi　pooling layer.  
我们先看看proposal layer的caffe prototxt定义

layer {  
      name: 'proposal'  
      type: 'Python'  
      bottom: 'rpn_cls_prob_reshape'  
      bottom: 'rpn_bbox_pred'  
      bottom: 'im_info'  
      top: 'rois'  
      python_param {  
        module: 'rpn.proposal_layer'  
        layer: 'ProposalLayer'  
        param_str: "'feat_stride': 16"  
      }  
    }

proposal layer有３个输入：fg/bg anchors分类器结果rpn\_prob\_reshape，对应的bbox reg的\[dx(A),dy(A),dw(A),dh(A)\]变换量rpn\_bbox\_ped,以及im\_info,另外还有参数feat\_stride=16,这和上图对应

首先解释下im\_info，对于一幅任意大小的P\*Q图像，传入Fsater Rcnn前首先reshape到M\*N大小，im\_info=\[M, N, scale\_factor\]则保存了此次缩放的所有信息。然后经过Conv Layers，经过4次pooling变为WxH=(M/16)x(N/16)大小，其中feature\_stride=16则保存了该信息，用于计算anchor偏移量。  
![这里写图片描述][SouthEast 19]  
Proposal Layer forward（caffe layer的前传函数）按照以下顺序依次处理：

*  生成anchors，利用\[dx(A)，dy(A)，dw(A)，dh(A)\]对所有的anchors做bbox regression回归（这里的anchors生成和训练时完全一致）
 *  按照输入的foreground softmax scores由大到小排序anchors，提取前pre\_nms\_topN(e.g. 6000)个anchors，即提取修正位置后的foreground anchors。
 *  利用im\_info将fg anchors从MxN尺度映射回PxQ原图，判断fg anchors是否大范围超过边界，剔除严重超出边界fg anchors。
 *  进行nms（nonmaximum suppression，非极大值抑制）（以后介绍NMS的原理）
 *  再次按照nms后的foreground softmax scores由大到小排序fg anchors，提取前post\_nms\_topN(e.g. 300)结果作为proposal输出。  
    之后输出proposal=\[x1, y1, x2, y2\]，注意，由于在第三步中将anchors映射回原图判断是否超出边界，所以这里输出的proposal是对应MxN输入图像尺度的，这点在后续网络中有用。另外我认为，严格意义上的检测应该到此就结束了，后续部分应该属于识别了

> RPN网络结构总结  
> 生成anchors -> softmax分类器提取fg anchors -> bbox reg回归fg anchors -> Proposal Layer生成proposals

## RoI pooling ##

RoI Pooling层则负责收集proposal，并计算出proposal feature maps，送入后续网络。从图2中可以看到Rol pooling层有2个输入：

*  原始的featrue map
 *  RPN输出的proposal boxes（大小各不相同）

## 为何需要ROI Pooling ##

先来看一个问题：对于传统的CNN(如alexnxt,VGG),当网络训练好后输入的图像尺寸必须是固定的，同时网络输出也是固定大小的ovctor 或matrix。如果输入的图像大小不定，这个问题就变得比较麻烦了。  
有2种解决办法：  
\- 从图像中crop一部分传到网络  
\- 将图像warp成需要大小后传入网络  
![这里写图片描述][SouthEast 20]  
两种办法的示意图如图，可以看到无论采取那种办法都不好，要么crop后破坏了图像的完整结构，要么warp破坏了图像原始形状信息。  
回忆下RPN网络生成的proposals的方法：对foreground anchors进行bound box regression，那么这样获得的proposal也是大小形状各不相同，即也存在上述问题。所以Faster RCNN提出了RIO Pooling解决这个问题（RIO Pooing确实是从SPP（[Spatial Pyramid Pooling][]）发展而来的，SPP我们以后再讲）

## RIO Pooing原理 ##

分析之前我们先来看RIO Pooling layer的caffe prototxt的定义

layer {  
      name: "roi_pool5"  
      type: "ROIPooling"  
      bottom: "conv5_3"  
      bottom: "rois"  
      top: "pool5"  
      roi_pooling_param {  
        pooled_w: 7  
        pooled_h: 7  
        spatial_scale: 0.0625 # 1/16  
      }  
    }

其中有新的参数pooled\_w=poold\_h=7,另一个仓库spatial\_scale=1/16  
RIO Pooling layerl forward过程：在这之前有明确提到：proposal=\[x1,y1,x2,y2\]是对应M\*N尺度的，所以首先使用spatial\_scale参数将其映射回(M/16)x(N/16)大小的feature map尺度；之后将每个proposal水平方向和竖直方向都分成７份，对每一份都进行max pooling处理，这样处理后，即使大小不同的proposal，输出的结果都是7\*7大小的，实现了fixed-length output（固定长度输出）。  
![这里写图片描述][SouthEast 21]

## Classification ##

classification部分利用已经获得的proposal featuer map，通过full connect层与softmax计算每个proposal具体属于哪个类别（如车，人等），输出cls\_prob概率向量；同时再次利用Bounding box regression获得每个proposal的位置偏移量bbox\_pred，用于回归更加精确的目标检测框。classification部分网络结构如下：  
![这里写图片描述][SouthEast 22]  
从RIO Pooling获取到7\*7=49大小的proposal feature maps后，送入后续的网络，可以看到做了如下２件事：  
１：通过全连接层和softmax对proposal进行分类，这实际上已经是识别的范畴了  
２：再次对proposals进行bounding box regression，获取更高精度的rect box  
这里我们来看看全连接层InnerProduct layers，简单的示意图如下  
![这里写图片描述][SouthEast 23]  
其计算公式如下  
![这里写图片描述][SouthEast 24]  
其中W和bias B都是预先训练好的，即使大小是固定，当然输入X和输出Y也就是固定大小。所以，这也就印证了之前RIO Pooling的必要性。

## Faster RCNN训练 ##

fastrcnn 训练方式有三种：

*  使用交替优化算法训练
 *  近似联合训练
 *  联合训练

## 交替优化训练 ##

faster rcnn的训练，其实是在已经训练好的model（如VGG\_CNN\_M,\_1024,VGG,ZF）的基础上继续训练，实际中训练的过程分为6个步骤：

1.  在已经训练好的model上，训练RPN网络，对应stage1\_rpn\_train.pt
2.  1.  利用步骤1中训练好的RPN网络，收集proposals，对应rpn\_test.pt
3.  1.  第一次训练Fast RCNN网络，对应stage1\_fast\_rcnn\_train.pt
4.  1.  第二训练RPN网络，对应stage2\_rpn\_train.pt
5.  1.  再次利用步骤4中训练好的RPN网络，收集proposals，对应rpn\_test.pt
6.  1.  第二次训练Fast RCNN网络，对应stage2\_fast\_rcnn\_train.pt
7.    
    
    
    1.    
        
    
    可以看到训练过程类似于一种“迭代”的过程，不过只循环了2次。至于只循环了2次的原因是应为作者提到："A similar alternating training can be run for more iterations, but we have observed negligible improvements"，即循环更多次没有提升了。接下来本章以上述6个步骤讲解训练过程。
    
    下面是一张训练过程流程图，应该更加清晰。
    
    ![v2-ed3148b3b8bc3fbfc433c7af31fe67d5_hd.jpg][]
8.  图17 Faster RCNN训练步骤（引用自参考文章\[1\]）

> 可以看到训练过程类似于一种“迭代”的过程，不过只循环了2次。至于只循环了2次的原因是应为作者提到：”A similar alternating training can be run for more iterations, but we have observed negligible improvements”，即循环更多次没有提升了。

## 近似联合训练 ##

直接一下子训练完成

## 训练RPN网络 ##

在该步骤中首先读取预训练model，开始进行迭代训练  
![这里写图片描述][SouthEast 25]  
与检测网络类似，依然使用conv layers提取feature map.整个网络使用的loss如下  
![这里写图片描述][SouthEast 26]

> 上述公式中，i表示anchors index,pi表示foreground softmax predict概率，![这里写图片描述][SouthEast 27]代表对应的GT predict概率（即当第i个anchors与GT间IoU>0.7,认为该anchor是foreground,![这里写图片描述][SouthEast 28]=1，反之IOU<0.3时，认为该anchors是background,![这里写图片描述][SouthEast 29]=0；至于那些0.3小于IOU<0.7的anchors则不参与训练，一般一张图片取256个anchors,一般bg和fg＝1;1）；t代表predict bounding box,![这里写图片描述][SouthEast 30]代表对应的foreground anchors对应的GT box。可以看到，整个LOSS分为２个部分：  
> １．cls loss,即rpn\_cls\_loss层计算的softmax loss,用于分类的anchors为fg与bg的网络训练  
> ２．reg loss,即rpn\_loss\_bbox层计算的soomth L1 loss，用于bounding box regression网络训练注意在该loss中乘了pi\*，相当于只关心foreground anchors的回归（其实在回归中也完全没必要去关心background）。

由于在实际过程中，Ncls和Nreg差距过大，用参数λ平衡二者（如Ncls=256，Nreg=2400时设置λ=10），使总的网络Loss计算过程中能够均匀考虑两种Loss。这里比较重要是Lreg使用的soomth L1 loss，计算公式如下：  
![这里写图片描述][SouthEast 31]

1.  在RPN训练阶段，rpn-data（python AnchorTargetLayer）层会按照和test阶段Proposal层完全一样的方式生成Anchors用于训练
2.  对与rpn\_loss\_cls，输入的rpn\_cls\_score\_reshape和rpn\_labels分别对应p与p\*，Ncls参数隐含在p与p\*的caffe blob的大小中

> 这样，公式与代码就完全对应了。特别需要注意的是，在训练和检测阶段生成和存储anchors的顺序完全一样，这样训练结果才能被用于检测！

## 通过训练好的RPN网络收集proposals ##

在该步骤中，利用之前的RPN网络，获取proposal rois，同时获取foreground softmax probability，如图19，然后将获取的信息保存在python pickle文件中。该网络本质上和检测中的RPN网络一样，没有什么区别。

![v2-1ac5f8a2899ee413464ecf7866f8f840_hd.jpg][]图19 rpn\_test.pt

## 训练Faster RCNN网络 ##

读取之前保存的pickle文件，获取proposals与foreground probability。从data层输入网络。然后：

1.  将提取的proposals作为rois传入网络，如图篮框
2.  将foreground probability作为bbox\_inside\_weights传入网络，如图19绿框
3.  通过caffe blob大小对比，计算出bbox\_outside\_weights（即λ），如图19绿框  
    这样就可以训练最后的识别softmax与最终的bounding regression了，如图19。

![这里写图片描述][SouthEast 32]

转载自：https://blog.csdn.net/Lin\_xiaoyi/article/details/78214874

https://zhuanlan.zhihu.com/p/31426458

[https_pan.baidu.com_s_1hsengAo]: https://pan.baidu.com/s/1hsengAo
[https_pan.baidu.com_s_1i4SFHfZ]: https://pan.baidu.com/s/1i4SFHfZ
[https_pan.baidu.com_s_1sl7aVeP]: https://pan.baidu.com/s/1sl7aVeP
[SouthEast]: /images/20220521/48523c874f50441a9c2eb6e76824ff4a.png
[SouthEast 1]: /images/20220521/f67b635956d14af98724f24bc7d383fe.png
[SouthEast 2]: /images/20220521/adc8dc39b7e246a883a989bb9d63ed36.png
[test]: /images/20220521/59e9c27b9a9a4569a59b7a96401e1a84.png
[SouthEast 3]: /images/20220521/2b2005492d954709b0873cc130563979.png
[SouthEast 4]: /images/20220521/bcb47e8373474de4848c0a139e4fd2ae.png
[SouthEast 5]: /images/20220521/76556505b62b455d8575a8c1a5582653.png
[SouthEast 6]: /images/20220521/a5dd6c59e55c4751b3cddf77f308c99d.png
[v2-8d72777321cbf1336b79d839b6c7f9fc_hd.jpg]: /images/20220521/8d63b03c20444a6ca70bb62f44999d17.png
[SouthEast 7]: /images/20220521/add77d5458da4c2f92035868544ad7e2.png
[v2-7abead97efcc46a3ee5b030a2151643f_hd.jpg]: /images/20220521/c8e13f555a5a41eca00324b265ca8f98.png
[SouthEast 8]: /images/20220521/e75fab29368a4c2b98b5999ac6bcd60a.png
[SouthEast 9]: /images/20220521/bc057a9e8312457d8920ccd709056a51.png
[SouthEast 10]: /images/20220521/dfe1e5fd950b4526a75ed14b095503c3.png
[SouthEast 11]: /images/20220521/e6c85e1c56864c99b3a2fc1c4e096d3e.png
[SouthEast 12]: /images/20220521/e55881fc347b4b5da3ea3d0b7c410029.png
[SouthEast 13]: https://img-blog.csdn.net/20171012234134848?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvTGluX3hpYW95aQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[SouthEast 14]: /images/20220521/5d6c8a1914a24eebb722b4d0201495b6.png
[SouthEast 15]: /images/20220521/6b14a323dc034380a95639de04061b81.png
[SouthEast 16]: /images/20220521/85673939172e40ae877f8373c6645cbd.png
[SouthEast 17]: /images/20220521/0c871683b22d4595b7ec00ce3bb9112f.png
[t_x_ t_y]: https://www.zhihu.com/equation?tex=%28t_x%2C+t_y%29
[t_w_ t_h]: https://www.zhihu.com/equation?tex=%28t_w%2C+t_h%29
[v2-18fdc24fc392a80e456b77b9a7f69c71_hd.jpg]: /images/20220521/630dc34b003c487e97ae08cbff4a6e85.png
[t_x_ t_y_ t_w_ t_h]: https://www.zhihu.com/equation?tex=%28t_x%2C+t_y%2C+t_w%2C+t_h%29
[SouthEast 18]: /images/20220521/1556112836e44e4e844563089e89ae0c.png
[SouthEast 19]: /images/20220521/722399f46fcc4aa5b37e8af4773a92ec.png
[SouthEast 20]: /images/20220521/330c9fd8ea8c42da914b1bfa82347213.png
[Spatial Pyramid Pooling]: https://link.zhihu.com/?target=https%3A//arxiv.org/abs/1406.4729
[SouthEast 21]: /images/20220521/4a412eb66941494ab6141c36249db0f2.png
[SouthEast 22]: /images/20220521/497439413eed4b53939b2fb5d06d0c69.png
[SouthEast 23]: /images/20220521/e399d7cb9f0c4e71b780d0eae13b738f.png
[SouthEast 24]: /images/20220521/d2a222b14534460bb1717b6f8cd31770.png
[v2-ed3148b3b8bc3fbfc433c7af31fe67d5_hd.jpg]: /images/20220521/0bacfb98931b4ea188b542622006f88c.png
[SouthEast 25]: /images/20220521/f632afe03faf44059454e45876b6a1e2.png
[SouthEast 26]: /images/20220521/9f4e367d54c24293aba98ca5dda46ead.png
[SouthEast 27]: https://img-blog.csdn.net/20171013144607140?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvTGluX3hpYW95aQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[SouthEast 28]: https://img-blog.csdn.net/20171013145001164?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvTGluX3hpYW95aQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[SouthEast 29]: https://img-blog.csdn.net/20171013145111355?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvTGluX3hpYW95aQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast
[SouthEast 30]: /images/20220521/5e140d73d686403685ef57fd1d72cade.png
[SouthEast 31]: /images/20220521/64a39a6cb0d04dafb687d4ffc9c9a071.png
[v2-1ac5f8a2899ee413464ecf7866f8f840_hd.jpg]: /images/20220521/c032e60e4ac74547bd3e2db07e136cec.png
[SouthEast 32]: /images/20220521/d9f4a165ca7c4a8e9a49fbf94da40fbf.png