Faster R-CNN算法

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

  Faster R-CNN算法是作者Ross Girshick对Fast R-CNN算法的一种改进。Fast R-CNN在速度和精度上都有了不错的结果，但仍有一些不足之处。Faster R-CNN算法同样使用VGG-16网络结构，检测速度在GPU上达到5fps(包括候选区域的生成)，准确率也有进一步的提升。在ILSVRC和COCO 2015竞赛中获得多个项目的第一名。在Faster R-CNN中提出了区域生成网络(Region Proposal Network,RPN)，将候选区域的提取和Fast R-CNN中的目标检测网络融合到一起，这样可以在同一个网络中实现目标检测。Faster R-CNN主要是解决Fast R-CNN存在的问题：

• 候选区域提取方法耗时较长；
• 没有真正实现end-to-end训练测试。

  Faster R-CNN算法步骤：

• 将图像输入网络得到相应的特征图；
• 使用RPN结构生成候选框，将RPN生成的候选框投影到特征图上获得相应的特征矩阵；
• 将每个特征矩阵通过ROl pooling层缩放到7×7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果。

  上图中各层的主要功能：

• 1) conv layers提取特征图：
    作为一种CNN网络目标检测方法，Faster R-CNN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)，即是物体或者不是物体，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）。

• 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。

• 4) Classifier：
    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，同时利用L1 Loss完成bounding box regression回归操作获得物体的精确位置。

  Faster R-CNN算法可以看作是由R-CNN和Fast R-CNN演化而来。

Faster R-CNN存在的问题：

1. 还是无法达到实时检测目标；
2. 获取region proposal，再对每个proposal分类计算量还是比较大。

Faster R-CNN算法详解：

• conv layers： 在input-data层时，作者把原图都reshape成M×N大小的图片，conv layers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。
         conv layers中的pooling层kernel_size=2，stride=2，这样使得经过pooling层，M×N矩阵都会变为(M/2)$\times$(N/2)大小。综上所述，在整个conv layers中，conv和relu层不改变输入输出的大小，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)$\times$(N/16)，这样conv layers生成的feature map中都可以和原图对应起来，最后得到51 $\times$ 39 $\times$ 256。
  

• 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，或者如R-CNN使用SS(Selective Search)方法生成检测框。而Faster R-CNN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 R-CNN的巨大优势，能极大提升检测框的生成速度。
                    下图中展示了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proposal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proposal，其实网络到这个Proposal Layer这里，就完成了目标定位的功能。
   
   
    1×1卷积核和3×3卷积核： 如果卷积的输出输入都只是一个平面，那么1×1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1×1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。
    候选区域（anchor）： 特征可以看做一个尺度51 $\times$ 39的256通道图像，对于该图像的每一个位置，考虑9个可能的候选窗口：三种面积{128${}^2$,256${}^2$,512${}^2$}$\times$三种比例{1:1,1:2,2:1}，这些候选窗口称为anchors。anchor的本质是SPP(spatial pyramid pooling)思想的逆向，而SPP本身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。下图示出51 $\times$ 39个anchor中心，以及9种anchor示例。
    softmax判定foreground与background： 一个MxN大小的矩阵送入Faster R-CNN网络后，到RPN网络时变为(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1×1卷积，如下图所示。经过卷积的输出图像的大小为Ｗ $\times$ H $\times$ 18，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 $\times$ H $\times$ (9 $\times$ 2)大小的矩阵。至于在softmax前后都接一个reshape layer的原因，其实只是为了便于softmax分类。
     bounding box regression原理： 下图所示的绿色框为飞机的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。
      对于窗口一般使用四维向量(x, y, w, h)表示，分别表示窗口的中心点坐标和宽高。对于下图，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A=(A${}_x$, A${}_y$, A${}_w$, A${}_h$)，寻找一种映射f，使得f(A${}_x$, A${}_y$, A${}_w$, A${}_h$)=(G’${}_x$, G’${}_y$, G’${}_w$, G’${}_h$)，其中(G’${}_x$, G’${}_y$, G’${}_w$, G’${}_h$)≈(G${}_x$, G${}_y$, G${}_w$, G${}_h$)。
      那么经过何种变换才能从上图中的A变为G’呢？ 比较简单的思路就是：
        1. 先做平移
        2. 再做缩放
      观察上面4个公式发现，需要学习的是d${}_x$(A)，d${}_y$(A)，d${}_w$(A)，d${}_h$(A)这四个变换。当输入的anchor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anchors和GT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）。对应于Faster R-CNN原文，平移量(t${}_x$, t${}_y$)与尺度因子(t${}_w$, t${}_h$)如下：
      接下来的问题就是如何通过线性回归获得d${}_x$(A)，d${}_y$(A)，d${}_w$(A)，d${}_h$(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（即GT）非常接近，即Y=WX。对于该问题，输入X是一张经过num_output=1的1 $\times$ 1卷积获得的feature map，定义为$\Phi$；同时还有训练传入A与GT之间的变换量，即(t${}_x$, t${}_y$, t${}_w$, t${}_h$)，输出是d${}_x$(A)，d${}_y$(A)，d${}_w$(A)，d${}_h$(A)四个变换。那么目标函数可以表示为：
      其中$\Phi (A)$是对应anchor的feature map组成的特征向量，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一个上述目标函数）。为了让预测值d${}_{\ast }$(A)与真实值t${}_{\ast }$差距最小，得到损失函数：
      函数优化目标为：
    对proposals进行bounding box regressiond： 看了RPN网络的第一条线路后，再来看第二条线路，如下图所示。经过卷积输出图像为W $\times$ H $\times$ 36，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。
             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。
             im_info：对于一幅任意大小的P $\times$ Q图像，传入Faster R-CNN前首先reshape到M $\times$ 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W $\times$ H=(M/16) $\times$ (N/16)大小，其中feature_stride=16则保存了该信息，用于计算anchor偏移量。
    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层负责收集proposal，并计算出proposal feature maps，送入后续网络。Rol pooling层有2个输入：原始的featrue map和RPN输出的proposal boxes（大小各不相同）。
         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vector 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：1. 从图像中crop一部分传到网络；2. 将图像warp成需要大小后传入网络。两种办法的示意图如下图所示，可以看到无论采取哪种办法都不好，要么crop破坏了图像的完整结构，要么warp破坏了图像原始形状信息。
         而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 R-CNN提出了ROI Pooling来解决这个问题。
         ROI Pooling layerl forward过程：proposal=[x1,y1,x2,y2]是对应M $\times$ N尺度的，所以首先使用spatial_scale参数将其映射回(M/16) $\times$ (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 $\times$ 7大小的，实现了fixed-length output（固定长度输出），如下图所示。
  

• 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：
         从ROI Pooling获取到7 $\times$ 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。
         接下来我们来看看全连接层，简单的示意图如下所示。
         其计算公式如下：
         其中W和bias B都是预先训练好的，即大小是固定，当然输入X和输出Y也是固定大小。所以，这也就印证了之前RIO Pooling的必要性。

  参考文章：https://blog.csdn.net/Lin_xiaoyi/article/details/78214874。