論文：《Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks》

摘要：算法主要解決兩個問題：

1、提出區(qū)域建議網(wǎng)絡RPN，快速生成候選區(qū)域；

2、通過交替訓練，使RPN和Fast-RCNN網(wǎng)絡共享參數(shù)。

?

一、 RPN網(wǎng)絡結構

RPN網(wǎng)絡的作用是輸入一張圖像，輸出一批矩形候選區(qū)域，類似于以往目標檢測中的Selective Search一步。網(wǎng)絡結構是基于卷積神經(jīng)網(wǎng)絡，但輸出包含二類softmax和bbox回歸的多任務模型。網(wǎng)絡結果如下（以ZF網(wǎng)絡為參考模型）：

其中，虛線以上是ZF網(wǎng)絡最后一層卷積層前的結構，虛線以下是RPN網(wǎng)絡特有的結構。首先是3*3的卷積，然后通過1*1卷積輸出分為兩路，其中一路輸出是目標和非目標的概率，另一路輸出box相關的四個參數(shù)，包括box的中心坐標x和y，box寬w和長h。

（至于之前為什么要用3*3的卷積核，我覺得是和感受野大小相對應的。在原來的ZF模型中，3*3卷積核對應map比例是3/13，相當于在型如1000*600的圖片中采用180左右的感受野。對于1000*600的圖片中大部分目標而言，這個大小的感受野是比較合適的吧。）

從卷積運算本身而言，卷積相當于滑窗。假如輸入圖像是1000*600，則經(jīng)過了幾次stride后，map大小縮小了16倍，最后一層卷積層輸出大約為60*40大小，那么相當于用3*3的窗口滑窗（注意有padding），對于左邊一支路而言，輸出18個通道，每個通道m(xù)ap大小仍為60*40，代表每個滑窗中心對應感受野內(nèi)存在目標與否的概率。右支路同理。

二、 anchor機制

anchor是rpn網(wǎng)絡的核心。剛剛說到，需要確定每個滑窗中心對應感受野內(nèi)存在目標與否。由于目標大小和長寬比例不一，需要多個尺度的窗。Anchor即給出一個基準窗大小，按照倍數(shù)和長寬比例得到不同大小的窗。例如論文中基準窗大小為16，給了（8、16、32）三種倍數(shù)和（0.5、1、2）三種比例，這樣能夠得到一共9種尺度的anchor，如圖（摘自http://blog.csdn.net/shenxiaolu1984/article/details/51152614）。

因此，在對60*40的map進行滑窗時，以中心像素為基點構造9種anchor映射到原來的1000*600圖像中，映射比例為16倍。那么總共可以得到60*40*9大約2萬個anchor。

三、 訓練

RPN網(wǎng)絡訓練，那么就涉及ground truth和loss function的問題。對于左支路，ground truth為anchor是否為目標，用0/1表示。那么怎么判定一個anchor內(nèi)是否有目標呢？論文中采用了這樣的規(guī)則：1）假如某anchor與任一目標區(qū)域的IoU最大，則該anchor判定為有目標；2）假如某anchor與任一目標區(qū)域的IoU>0.7，則判定為有目標；3）假如某anchor與任一目標區(qū)域的IoU<0.3，則判定為背景。所謂IoU，就是預測box和真實box的覆蓋率，其值等于兩個box的交集除以兩個box的并集。其它的anchor不參與訓練。

于是，代價函數(shù)定義為：

代價函數(shù)分為兩部分，對應著RPN兩條支路，即目標與否的分類誤差和bbox的回歸誤差，其中Leg(ti,ti*) = R(ti-ti*)采用在Fast-RCNN中提出的平滑L1函數(shù)，作者認為其比L2形式的誤差更容易調(diào)節(jié)學習率。注意到回歸誤差中Leg與pi相乘，因此bbox回歸只對包含目標的anchor計算誤差。也就是說，如果anchor不包含目標，box輸出位置無所謂。所以對于bbox的groundtruth，只考慮判定為有目標的anchor，并將其標注的坐標作為ground truth。此外，計算bbox誤差時，不是比較四個角的坐標，而是tx，ty，tw，th，具體計算如下：

四、 聯(lián)合訓練

作者采用四步訓練法：

1） 單獨訓練RPN網(wǎng)絡，網(wǎng)絡參數(shù)由預訓練模型載入；

2） 單獨訓練Fast-RCNN網(wǎng)絡，將第一步RPN的輸出候選區(qū)域作為檢測網(wǎng)絡的輸入。具體而言，RPN輸出一個候選框，通過候選框截取原圖像，并將截取后的圖像通過幾次conv-pool，然后再通過roi-pooling和fc再輸出兩條支路，一條是目標分類softmax，另一條是bbox回歸。截止到現(xiàn)在，兩個網(wǎng)絡并沒有共享參數(shù)，只是分開訓練了；

3） 再次訓練RPN，此時固定網(wǎng)絡公共部分的參數(shù)，只更新RPN獨有部分的參數(shù)；

4） 那RPN的結果再次微調(diào)Fast-RCNN網(wǎng)絡，固定網(wǎng)絡公共部分的參數(shù)，只更新Fast-RCNN獨有部分的參數(shù)。

至此，網(wǎng)絡訓練結束，網(wǎng)絡集檢測-識別于一體，測試階段流程圖如下：

有一些實現(xiàn)細節(jié)，比如RPN網(wǎng)絡得到的大約2萬個anchor不是都直接給Fast-RCNN，因為有很多重疊的框。文章通過非極大值抑制的方法，設定IoU為0.7的閾值，即僅保留覆蓋率不超過0.7的局部最大分數(shù)的box（粗篩）。最后留下大約2000個anchor，然后再取前N個box（比如300個）給Fast-RCNN。Fast-RCNN將輸出300個判定類別及其box，對類別分數(shù)采用閾值為0.3的非極大值抑制（精篩），并僅取分數(shù)大于某個分數(shù)的目標結果（比如，只取分數(shù)60分以上的結果）。

總結

以上是生活随笔為你收集整理的Faster-RCNN算法精读的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。