Faster R-CNN的组成

Faster R-CNN主要由两部分组成：Backbone、区域建议网络（RPN）和Fast R-CNN
近似：Faster RCNN = RPN + Fast R-CNN）

1、Backbone(神经网络模型进行特征提取)

• pre-train(预训练)
• fine-tuning(微调)
• re-train

输入的是固定大小的图片，经过卷积层提取特征图（feature maps）

2、RPN:Region Proposal Net(生成区域建议 )

代替selective searchs生成区域建议

1、输入feature map(特征图)，然后经过区域建议网络(RPN)生成区域建议（region proposals）
2、然后通过softmax判断锚框（anchors）属于前景（foreground）或者背景（background）
3、再利用边界框（bounding box）回归修正锚框（positive anchors)获得精确的候选区域（proposals）

3、Fast RCNN: ROI + {Classification; Regression}（感兴趣池化）

1、该层输入的是特征图（feature maps）和候选区域（proposals）
2、综合这些信息后提取具有候选区域的特征图（proposal feature maps）

4、分类

将感兴趣池化（Roi pooling）生成的具有候选区域的特征图（proposal feature
maps）分别传入softmax分类和边界盒回归（bounding box regression）获得检测物体类别和检测框最终的精确位置。

1、Backbone

（1）作用：特征提取（一次）

• 不用给每个ROI（感兴趣区域）都提取特征
• 通过RPN（区域建议网络）将提取的特征来生成区域建议

（2）结构：ZF / Resnet / VGG16(13 conv + 13 Relu + 4 Pooling)

• 把网络结构当积木来用的思维
• 比如想要算快一些，网络换成mobile net, shuffle net都是可以的

（3）输出 ：Batchsize x Channel x H/16 x W / 16 (VGG16举例)

• faster rcnn将尺寸为1000 x 800大小的feature map归一化到600 x 800的尺寸，则其输出的特征图大小为1 x 256 x 38 x 50

（4）整体网络结构：Backbone获取特征图信息，然后用RPN网络筛选候选框和ROIPooling输出相同尺寸的特征图，整个faster rcnn如下图

2、 区域建议网络（RPN）

2.1 RPN结构解释

3×3卷积：用于语义转换，可以增加网络网络复杂度，增加区域建议网络（RPN）的你和能力
1x1卷积：用于通道转换，原则上可以转换成任意通道的特征图
feature map经过3×3卷积后，分成了两条线：
第一条线：通过softmax分类锚框（anchors）获得前景（positive）和背景（negative），要检测的目标是前景（positive）。由于是2分类（有无物体两种分类），所以它的维度是2k score（2个分数）。

2k score，因为RPN是提候选框，还不用判断类别，所以只要求区分是不是物体就行，2个分数：前景（物体）的分数，和背景的分数；

第二条线：计算对于锚框（anchors）的边界盒回归（bounding box regression）偏移量，以获得精确的proposal。它的维度是4k coordinates（4个坐标）

4个坐标：是指针对原图坐标的偏移，首先一定要记住是原图；

最后的Proposal层则负责综合积极的锚框（positive anchors）和对应边界盒回归（bounding box regression）偏移量获取最终的区域建议（proposals），同时剔除太小和超出边界的建议（proposals）。

RPN网络的输入是前面CNN output的feature maps。我们在feature map上做一个大小为3x3的滑窗操作, 得到一个channel是256维的特征图，尺寸与input的特征图相同，维度是256HW。
对这个256维的向量，我们分别做两次1x1卷积操作，一个得到2k score, 一个得到4k coordinates。
这个2k score只区分是不是目标，输出候选区域属于前景（物体）和背景的分数，这里注意，这里的分类只区分是否包含目标，至于所包含目标的类别，是Faster-RCNN最后的分类网络干的事情。4k coordinates指的是对原图坐标的偏移。

论文预先设定好生成9个anchors。我们前面说到对于feature map, 我们有一个3*3的滑窗操作。对于每次滑窗所划到的3x3的区域，就以该区域中心点为坐标，生成9个anchor。anchor它的本质是，将相同尺寸的输入，得到不同尺寸的输出。它们的中心相同，但是有不同的长宽比和尺度。这9个anchor， 中心坐标一样，但是大小各不相同，如下图：

RPN的目标：

• 生成region proposal（区域建议）
• 因为流程是：先RPN找出区域建议的物体，然后在做更加精细的类别划分和Bbox回归，这种方式被称为Two-Stage
• 因此有人认为两阶段检测比一阶段检测更准

3、 Fast R-CNN

Fast R-CNN = ROI + {Classification; Regression}

4、RPN损失函数+Fast R-CNN损失

上文提到的k就是anchors的数量，所以2k个分数就是9个anchors的共18个分数，36（4×9）个坐标。对于每个anchor， 计算anchor与ground-truth bounding boxes的IoU，大于0.7则判定为有目标，小于0.3则判定为背景，介于0.3-0.7，则设为0，不参与训练，RPN损失函数：

损失函数有两部分：分类损失和回归损失
分类损失：

回归损失：

对应着RPN的两条路线，即是否包含目标和bbox的坐标与anchor坐标的回归误差。
注意回归误差这一项中 ，L与p相称，也就是说，如果anchor不包含目标，那么box输出位置是不算误差的，对于Lreg,只计算 Lcls,判定为有目标的anchor。
Lcls就是交叉熵，Lreg是分类的损失；
计算每个anchor分配的四个坐标和ground truth的坐标的偏移量，用的是L1范数。看一下pytorch的官方实现：

 self.rpn_loss_cls = F.cross_entropy(rpn_cls_score, rpn_label)
 self.rpn_loss_box = _smooth_l1_loss(rpn_bbox_pred, rpn_bbox_targets, rpn_bbox\
           inside_weights,rpn_bbox_outside_weights, sigma=3, dim=[1,2,3])