7. 目标检测算法之Faster R-CNN算法详解(转)

原文链接： https://www.cnblogs.com/zyly/p/9247863.html

目录

• 一 Faster R-CNN思路
• 二 RPN详解
  • 1、特征提取
  • 2、候选区域(anchor)
  • 3、框回归
  •  4、候选框修正
•  三 RoI Pooling层
  • 1、为何使用RoI Pooling
  • 2、RoI Pooling原理
• 四 分类和框回归
•  五 训练

 

---

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

本文是继RCNN[Ross Girshick团队在2015年的又一力作。简单网络目标检测速度达到17fps，在PASCAL VOC上准确率为59.9%；复杂网络达到5fps，准确率78.8%。

作者在github上给出了基于matlab和python的源码。

上一节我们介绍到Fast R-CNN网络，Fast R-CNN看似很完美了，但是Fast R-CNN中还存在着一个优点尴尬的问题，它需要先使用Selective Search提取框，这个方法比较慢，有时，检测一张图片，大部分时间不是花费在计算神经网络分类上，而是花在Selective Search提取框上！在Fast R-CNN升级版Faster R-CNN中，使用RPN(Region Proposal Network)网络取代了Selective Search，不仅速度得到了大大提高，而且还获得了更加精确的结果。

回到顶部

一 Faster R-CNN思路

从R-CNN到Fast R-CNN，再到本文的Faster R-CNN，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）终于被统一到一个深度网络框架之内。所有计算没有重复，完全在GPU中完成，大大提高了运行速度。 

Faster R-CNN可以简单地看做“区域生成网络(RPN)+Fast RCNN“的系统，用区域生成网络代替Fast R-CNN中的Selective Search方法，网络结构如下图。本篇论文着重解决了这个系统中的三个问题： 

• 如何设计区域生成网络 
• 如何训练区域生成网络 
• 如何让区域生成网络和Fast R-CNN网络共享特征提取网络

步骤如下：

• 首先向CNN网络【ZF或VGG-16】输入任意大小图片N；

• 经过CNN网络前向传播至最后共享的卷积层，一方面得到供RPN网络输入的特征图，另一方面继续前向传播至特有卷积层，产生更高维特征图；

• 供RPN网络输入的特征图经过RPN网络得到区域建议和区域得分，并对区域得分采用非极大值抑制【阈值为0.7】，输出其Top-N【文中为300】得分的区域建议给RoI池化层；
• 第2步得到的高维特征图和第3步输出的区域建议同时输入RoI池化层，提取对应区域建议的特征；
• 第4步得到的区域建议特征通过全连接层后，输出该区域的分类得分以及回归后的bounding-box。

回到顶部

二 RPN详解

基本设想是：在提取好的特征图上，对所有可能的候选框进行判别。由于后续还有位置精修步骤，所以候选框实际比较稀疏。 

1、特征提取

RPN还是需要使用一个CNN网络对原始图片提取特征。为了方便读者理解，不妨设这个前置的CNN提取的特征为256的特征。

为了方便叙述，先来定义一个“位置”的概念：对于一个

2、候选区域(anchor)

特征可以看做一个尺度39

个anchor中心，以及9种anchor示例。 

对于这9个anchor，下图展示了接下来每个位置的计算步骤：

• 设3滑动窗口操作以及两个卷积层完成区域建议功能；
• 第一个卷积层将特征图每个滑窗位置编码成一个特征向量，第二个卷积层对应每个滑窗位置输出k，并对得分区域进行非极大值抑制后输出得分Top-N(文中为300)区域，告诉检测网络应该注意哪些区域，本质上实现了Selective Search、EdgeBoxes等方法的功能。

3、框回归

如图绿色表示的是飞机的实际框标签(ground truth)，红色的表示的其中一个候选区域(foreground anchor)，即被分类器识别为飞机的区域，但是由于红色区域定位不准确，这张图相当于没有正确检测出飞机，所以我们希望采用一种方法对红色的框进行微调，使得候选区域和实际框更加接近：

对于目标框一般使用四维向量来表示G′，即：

• 给定：)；
• 寻找一种变换)；

那么如何去计算)=G′：

• 平移：

)

)

• 缩放：

)

)

上面公式中，我们需要学习四个参数，分别是)表示的两个框中心距离的偏移量。当输入的anchor A与G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目标框进行微调（注意，只有当anchors A和G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）。

接下来就是如何通过线性回归获得

)

其中tx,ty,tw,th最小，代价函数如下：

)2

函数优化目标为：

‖2

需要说明，只有在G和A比较接近时，才可近似认为上述线性变换成立，下面对于原文中，A与G之间的平移参数)为：

/Aw

/Ah

)

)

对于训练bouding box regression网络回归分支，输入是特征图)，显然即可用来修正anchor位置了。

 4、候选框修正

在得到每一个候选区域anchor A的修正参数)之后，我们就可以计算出精确的anchor，然后按照物体的区域得分从大到小对得到的anchor排序，然后提出一些宽或者高很小的anchor(获取其它过滤条件)，再经过非极大值抑制抑制，取前Top-N的anchors，然后作为proposals(候选框)输出，送入到RoI Pooling层。

回到顶部

 三 RoI Pooling层

 RoI Pooling层负责收集所有的候选框，并计算每一个候选框的特征图，然后送入后续网络，从Faster RCNN的结构图我们可以看到RoI Pooling层有两个输入：

• 原始的特征图；
• RPN网络输出的候选框；

1、为何使用RoI Pooling

先来看一个问题：对于传统的CNN（如AlexNet，VGG），当网络训练好后输入的图像尺寸必须是固定值，同时网络输出也是固定的大小。如果输入图像大小不定，这个问题就变得比较麻烦。有2种解决办法：

• 从图像中crop一部分传入网络；
• 将图像warp成需要的大小后传入网络；

 

两种办法的示意图如上图，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RPN网络生成的proposals的方法：对foreground
anchors进行bounding box
regression，那么这样获得的proposals也是大小形状各不相同，即也存在上述问题。所以Faster R-CNN中提出了RoI
Pooling解决这个问题。不过RoI Pooling是从Spatial Pyramid Pooling发展而来，有兴趣的读者可以自行查阅相关论文。

2、RoI Pooling原理

我们把每一个候选框的特征图水平和垂直分为pooled_w(文章中为7)和pooled_h(7)份，对每一份进行最大池化处理，这样处理后，即使大小不一样的候选区，输出大小都一样，实现了固定长度的输出：

然后我们把Top-N个固定输出(49，这里可以把Top-N看做样本数，49看做每一个样本的特征维数，送入全连接层。

回到顶部

四 分类和框回归

通过RoI Pooling层我们已经得到所有候选区组成的特征向量，然后送入全连接层和softmax计算每个候选框具体属于哪个类别，输出类别的得分；同时再次利用框回归获得每个候选区相对实际位置的偏移量预测值，用于对候选框进行修正，得到更精确的目标检测框。

这里我们来看看全连接层，由于全连接层的参数49，所以这就说明了RoI Pooling的重要性。

回到顶部

 五 训练

Faster R-CNN使用RPN生成候选框后，剩下的网络结构和Fast R-CNN中的结构一模一样。在训练过程中，需要训练两个网络，一个是RPN网络，一个是在得到框之后使用的分类网络。通常的做法是交替训练，即在一个batch内，先训练RPN网络一次，再训练分类网络一次。关于训练的详细流程可以参考一文读懂Faster RCNN。

 参考文章：

[1]Faster R-CNN论文详解

[2]Faster RCNN解析

[3]【目标检测】Faster RCNN算法详解 

[4]Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

[5]基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN(强烈推荐)

[6]目标检测（5）-Faster RCNN

[7]RCNN,Fast RCNN,Faster RCNN 总结

[8]Faster RCNN代码理解（Python）

[9]一文读懂Faster RCNN(这位大佬讲的很细、相信这看了这篇文章，对Faster RCNN的实现细节你会有了更深的了解)

[10]Object Detection and Classification using R-CNNs

目录

• 一 Faster R-CNN思路
• 二 RPN详解
  • 1、特征提取
  • 2、候选区域(anchor)
  • 3、框回归
  •  4、候选框修正
•  三 RoI Pooling层
  • 1、为何使用RoI Pooling
  • 2、RoI Pooling原理
• 四 分类和框回归
•  五 训练

 

---

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

本文是继RCNN[Ross Girshick团队在2015年的又一力作。简单网络目标检测速度达到17fps，在PASCAL VOC上准确率为59.9%；复杂网络达到5fps，准确率78.8%。

作者在github上给出了基于matlab和python的源码。

上一节我们介绍到Fast R-CNN网络，Fast R-CNN看似很完美了，但是Fast R-CNN中还存在着一个优点尴尬的问题，它需要先使用Selective Search提取框，这个方法比较慢，有时，检测一张图片，大部分时间不是花费在计算神经网络分类上，而是花在Selective Search提取框上！在Fast R-CNN升级版Faster R-CNN中，使用RPN(Region Proposal Network)网络取代了Selective Search，不仅速度得到了大大提高，而且还获得了更加精确的结果。

回到顶部

一 Faster R-CNN思路

从R-CNN到Fast R-CNN，再到本文的Faster R-CNN，目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）终于被统一到一个深度网络框架之内。所有计算没有重复，完全在GPU中完成，大大提高了运行速度。 

Faster R-CNN可以简单地看做“区域生成网络(RPN)+Fast RCNN“的系统，用区域生成网络代替Fast R-CNN中的Selective Search方法，网络结构如下图。本篇论文着重解决了这个系统中的三个问题： 

• 如何设计区域生成网络 
• 如何训练区域生成网络 
• 如何让区域生成网络和Fast R-CNN网络共享特征提取网络

步骤如下：

• 首先向CNN网络【ZF或VGG-16】输入任意大小图片N；

• 经过CNN网络前向传播至最后共享的卷积层，一方面得到供RPN网络输入的特征图，另一方面继续前向传播至特有卷积层，产生更高维特征图；

• 供RPN网络输入的特征图经过RPN网络得到区域建议和区域得分，并对区域得分采用非极大值抑制【阈值为0.7】，输出其Top-N【文中为300】得分的区域建议给RoI池化层；
• 第2步得到的高维特征图和第3步输出的区域建议同时输入RoI池化层，提取对应区域建议的特征；
• 第4步得到的区域建议特征通过全连接层后，输出该区域的分类得分以及回归后的bounding-box。

回到顶部

二 RPN详解

基本设想是：在提取好的特征图上，对所有可能的候选框进行判别。由于后续还有位置精修步骤，所以候选框实际比较稀疏。 

1、特征提取

RPN还是需要使用一个CNN网络对原始图片提取特征。为了方便读者理解，不妨设这个前置的CNN提取的特征为256的特征。

为了方便叙述，先来定义一个“位置”的概念：对于一个

2、候选区域(anchor)

特征可以看做一个尺度39

个anchor中心，以及9种anchor示例。 

对于这9个anchor，下图展示了接下来每个位置的计算步骤：

• 设3滑动窗口操作以及两个卷积层完成区域建议功能；
• 第一个卷积层将特征图每个滑窗位置编码成一个特征向量，第二个卷积层对应每个滑窗位置输出k，并对得分区域进行非极大值抑制后输出得分Top-N(文中为300)区域，告诉检测网络应该注意哪些区域，本质上实现了Selective Search、EdgeBoxes等方法的功能。

3、框回归

如图绿色表示的是飞机的实际框标签(ground truth)，红色的表示的其中一个候选区域(foreground anchor)，即被分类器识别为飞机的区域，但是由于红色区域定位不准确，这张图相当于没有正确检测出飞机，所以我们希望采用一种方法对红色的框进行微调，使得候选区域和实际框更加接近：

对于目标框一般使用四维向量来表示G′，即：

• 给定：)；
• 寻找一种变换)；

那么如何去计算)=G′：

• 平移：

)

)

• 缩放：

)

)

上面公式中，我们需要学习四个参数，分别是)表示的两个框中心距离的偏移量。当输入的anchor A与G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目标框进行微调（注意，只有当anchors A和G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）。

接下来就是如何通过线性回归获得

)

其中tx,ty,tw,th最小，代价函数如下：

)2

函数优化目标为：

‖2

需要说明，只有在G和A比较接近时，才可近似认为上述线性变换成立，下面对于原文中，A与G之间的平移参数)为：

/Aw

/Ah

)

)

对于训练bouding box regression网络回归分支，输入是特征图)，显然即可用来修正anchor位置了。

 4、候选框修正

在得到每一个候选区域anchor A的修正参数)之后，我们就可以计算出精确的anchor，然后按照物体的区域得分从大到小对得到的anchor排序，然后提出一些宽或者高很小的anchor(获取其它过滤条件)，再经过非极大值抑制抑制，取前Top-N的anchors，然后作为proposals(候选框)输出，送入到RoI Pooling层。

回到顶部

 三 RoI Pooling层

 RoI Pooling层负责收集所有的候选框，并计算每一个候选框的特征图，然后送入后续网络，从Faster RCNN的结构图我们可以看到RoI Pooling层有两个输入：

• 原始的特征图；
• RPN网络输出的候选框；

1、为何使用RoI Pooling

先来看一个问题：对于传统的CNN（如AlexNet，VGG），当网络训练好后输入的图像尺寸必须是固定值，同时网络输出也是固定的大小。如果输入图像大小不定，这个问题就变得比较麻烦。有2种解决办法：

• 从图像中crop一部分传入网络；
• 将图像warp成需要的大小后传入网络；

 

两种办法的示意图如上图，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RPN网络生成的proposals的方法：对foreground
anchors进行bounding box
regression，那么这样获得的proposals也是大小形状各不相同，即也存在上述问题。所以Faster R-CNN中提出了RoI
Pooling解决这个问题。不过RoI Pooling是从Spatial Pyramid Pooling发展而来，有兴趣的读者可以自行查阅相关论文。

2、RoI Pooling原理

我们把每一个候选框的特征图水平和垂直分为pooled_w(文章中为7)和pooled_h(7)份，对每一份进行最大池化处理，这样处理后，即使大小不一样的候选区，输出大小都一样，实现了固定长度的输出：

然后我们把Top-N个固定输出(49，这里可以把Top-N看做样本数，49看做每一个样本的特征维数，送入全连接层。

回到顶部

四 分类和框回归

通过RoI Pooling层我们已经得到所有候选区组成的特征向量，然后送入全连接层和softmax计算每个候选框具体属于哪个类别，输出类别的得分；同时再次利用框回归获得每个候选区相对实际位置的偏移量预测值，用于对候选框进行修正，得到更精确的目标检测框。

这里我们来看看全连接层，由于全连接层的参数49，所以这就说明了RoI Pooling的重要性。

回到顶部

 五 训练

Faster R-CNN使用RPN生成候选框后，剩下的网络结构和Fast R-CNN中的结构一模一样。在训练过程中，需要训练两个网络，一个是RPN网络，一个是在得到框之后使用的分类网络。通常的做法是交替训练，即在一个batch内，先训练RPN网络一次，再训练分类网络一次。关于训练的详细流程可以参考一文读懂Faster RCNN。

 参考文章：

[1]Faster R-CNN论文详解

[2]Faster RCNN解析

[3]【目标检测】Faster RCNN算法详解 

[4]Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

[5]基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN(强烈推荐)

[6]目标检测（5）-Faster RCNN

[7]RCNN,Fast RCNN,Faster RCNN 总结

[8]Faster RCNN代码理解（Python）

[9]一文读懂Faster RCNN(这位大佬讲的很细、相信这看了这篇文章，对Faster RCNN的实现细节你会有了更深的了解)

[10]Object Detection and Classification using R-CNNs