Faster RCNN 的细节补充

一、faster rcnn的结构

 通过上面的结构，我们知道该faster rcnn前面以VGG16为框架，加入RPN层，最后做分类层。

采用VGG16相对ZF来说慢一点，但是精度也高一点。

 

二、RPN结构

RPN层的引入，极大提升检测框的生成速度。RPN是指以下结构：

前面的卷积结果过来后，分两路来前进，上面是分类路径（2×9），下面是坐标回归路径（4×9）。RPN属于FCN网络。

PRN的引入属于创新性变化，我们在训练的时候对RPN进行了两次训练，一次是使用gt+data 对其训练，保存产生的proposal，没有共用卷积层的训练;

一次是共享卷积层的训练，具体设置共享卷据层的lr=0，这样就对RPN单独训练了。

还有就是我们训练RPN时，随机采样256的anchors来，以正负1：1来训练，初始化权重使用高斯随机初始化新层权重，旧层使用预训练的imageNet来初始化。

具体的训练步骤：

三、anchors

这里每个像素点为中心产生9个anchor，每个anchor对应一个分类分数和回归分数。256是图片经过前面的卷积后得到的特征的维度，这里是ZF得到的256维度特征，VGG是512。对该特征

进行reshape成2×9和4×9。

图片的左上角产生9个anchors后，以滑窗的形式遍历整个图，对于1000×600的图片来说就产生20000个anchors，忽略跨界anchor大概剩下6000个anchors。注意这里训练时忽略跨界anchors，但测试时不忽略，而采取剪切到边界的方法。

生成anchors -> softmax分类器提取fg anchors -> bbox reg回归fg anchors -> Proposal Layer生成proposals

这里Proposal Layer生成proposals的过程为：

Proposal Layer forward（caffe layer的前传函数）按照以下顺序依次处理：

1. 生成anchors，利用对所有的anchors做bbox regression回归（这里的anchors生成和训练时完全一致）
2. 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。
3. 限定超出图像边界的foreground anchors为图像边界（防止后续roi pooling时proposal超出图像边界）
4. 剔除非常小（width<threshold or height<threshold）的foreground anchors
5. 进行nonmaximum suppression
6. 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。

四、bounding box regression原理

绿色是gt box，红色是anchor，由图可知anchor的预测不好，没有包含飞机翼。那么我们现在就对该红框使用回归技术使其尽量拟合绿框。注意这里只有当红色靠近绿框才使用回归，太远的误差大，属非线性回归。

给动（Px,Py,Pw,Ph）寻找一种映射使f(Px,Py,Pw,Ph)=(Gxˆ,Gyˆ,Ghˆ,Gwˆ)≈(Gx,Gy,Gh,Gw)

先做平移

再做尺度缩放

回归就是学习dx(p),dy(P),dw(P),dh(P)四个变换。

输入是P=(Px,Py,Pw,Ph)和gt的t=(tx,ty,tw,th)

而gt与proposal的真正平移量和尺度缩放量是

那么目标函数是d(P)=wΦ(P), Φ(P)是输入proposal的特征向量，w是要学习的参数，d(P)是预测值，我们要使预测值d(P)和真实偏差值t的差距最小，使用平方差函数有

函数优化就是针对该目标函数进行最小化

 

使用梯度下降求解w。

那么补充下：

1、为什么宽高尺度会设计成这种形式：tx，ty除以宽高，th，tw含log？

因为CNN具有尺度不变性，

 

图片经上面变化后，t的值不变。如果直接学习坐标差，则就前后发生了改变，即x1-p1不等于x2-p2。

而尺度变化中尺度必须大于0，自然想到exp函数，反过来就是log函数的来源了。

2、为什么anchor靠近gt时，即IOU较大时，才认为是线性变换？

tx和ty显然是线性组合。而tw和th中含有log，我们回忆下

高数里面：

因此：

我们看这公式，当且仅当Gw-Pw=0时，才会是线性函数，即gt的宽高和anchor的宽高必须近似相等。

五、损失函数

正标签：IOU最大 + 与gt重叠>0.7 的框，一个gt框会为多个anchors添加正标签，负标签是<0.3的框。

 

pi是类的概率（只取1/0，当为1时才对正标签激活后面的坐标回归函数），ti是坐标向量，用这两个量来定义函数（分类得分+回归得分）。

Ncls和Nreg是归一化因子，减少递归时间并规范化模型。

λ的选取经实验得10的时候对结果最好。

上面的分类使用对数log损失，下面的回归使用L1平滑函数损失。回归为什么不使用平方函数损失呢？

因为平方函数随着x的增加，平方函数的惩罚会越来越大，所以使用较为平缓的 |x| ; 但 |x| 在0点出不可导，所以要设计成平滑。

最终的L1平滑函数成这样子：

 六、RoI Pooling

 输入的图片大小不一样，为了统一图片的格式，使用ROI Pooling，保留了全图的特征，而不用crop或wrap掉部分特征。

RoI Pooling layer forward过程：在之前有明确提到： 是对应MxN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 maps尺度；之后将每个proposal水平和竖直分为pooled_w和pooled_h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，输出结果都是 大小，实现了fixed-length output（固定长度输出）。

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