Faster R-CNN

转载自：

http://blog.csdn.net/cv_family_z/article/details/46864473

摘要：SPPNet和Fast R-CNN降低了网络学习特征的时间，SS由于需耗时1~2s，EdgeBoxes
耗时约0.2s，提取proposal的方法成为检测的瓶颈。本文提出了Region Proposal Networks(RPNs)实现实时提取proposals，它能与检测网络共享全图像卷积特征。RPNs是一个能够预测某位置上的目标bbox和objectness的全卷积网络。对于VGG-16网络，检测系统在GPU上的速度为5fps。VOC2007的mAP为73.2%，每幅图像大约300个proposals。

灵感：基于区域的检测使用的卷积特征图，如FRCN，同样可以用来生成proposals。在这些卷积层之后，作者通过增加两个卷积层构建了RPNs，一个将卷积图编码为低维（256d）向量，另外一个在每个卷积图的位置上生成一个objectness score和k个proposals的回归bbox，k=9。

RPNs网络
RPNs将图像作为输入，输出带有objectness score的bbox。使用一个小的网络在最后一个卷积层输出的卷积特征图上产生区域proposals，这个小网络与输入的特征图以n*n的窗口进行全连接，每个滑动窗之后映射到一个低维向量（ZF5-256d,VGG-512d），之后将向量送入两个全连接的子层：一个bbox回归层和一个bbox分类层。网络的结构如下图所示：

平移不变的锚点
每一个滑动窗滑过的位置有k个proposals，cls子层输出每个proposal的object\non-object的2k个scores，reg子层输出对应坐标的4k个节点。k个proposals根据k个锚点进行参数化，每个锚点是对应尺度和长宽比的中心，文中使用3个尺度，3个长宽比，得到9个锚点。如果特征图大小为 W×H ，则共有WHk个锚点。

Proposals学习的损失函数
按照以下规则对锚点分配二值类别标记。正样本标记：（1）与groundtruth的IoU最高的锚点，（2）与任意groundtruth IoU>0.7的锚点，某个groundtruth有可能对应几个正锚点。负样本：与groundtruth的IoU<0.3的锚点。其余的锚点不在训练使用的范围内。使用FRCN的multi-task loss最小化目标函数，某个锚点box的损失函数为：

式中 pi 是锚点i为物体的预测概率， Lcls 是而分类object/non-object的softmax loss。

优化
RPN是一个全卷积网络，可使用bp及SGD训练，使用FRCN中的image-centric进行训练，为了避免样本偏斜，每幅图采样256个样本计算loss，正负样本为1：1。

Region proposal与目标检测共享卷积特征
使用交替优化学习共享特征的4步训练法：
1）训练RPN，使用ImageNet初训练的网络进行end-to-end的微调；
2）使用FRCN及RPN生成的proposal训练一个检测网络，该步未共享特征；
3）使用检测网络初始化RPNs训练，固定共享的卷积层只微调为RPN新增的层；
4）固定共享层，微调FRCN的全连接层

实现细节
使用单尺度图像训练RPNs和FRCN，缩放图像使得短边为600像素。对于每个锚点，三个尺度对应的box面积分别为 1282 ， 2562 和 5122 ，3个长宽比分别为1：1，1：2，2：1，学习到的平均proposal大小如下表所示：

对于 1000×600 的输入图像，约有20k个锚点，如果忽略cross-boundary的锚点，约有6k个用来训练。检测时，基于cls score使用NMS将proposal压缩至2k个，之后用top-N个proposal来检测。

实验结果
使用SS，EB，RBN生成proposal的实验结果及ablation的实验结果如下表所示：

ablation实验结果表明共享卷积特征mAP能提升1.2%，主要是在共享的第三步使用了微调的检测特征来微调RPN。

每一步的运行时间如下表所示