faster cnn结构 faster rcnn介绍

RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。这一系列是个递进关系，也是目标检测使用two-stage方法的一个发展过程。想要更好的理解Faster RCNN和R-FCN，只能把这些算法都梳理清楚了，才能明白算法的整个优化过程。

本篇讲解的是Faster RCNN。2016年，发表在CVPR。

理解了SPPNet之后，我们知道了RCNN已经进化到了SPPNet阶段，那么，Fast RCNN又更进一步提高了速度。那么耗时最多的几乎都来自selective search了。

为了解决这个问题，Faster RCNN终于来了。

多说几句，起初我看论文的时候是从Faster RCNN开始看的，但是怎么都看不太明白，为什么要这样？为什么要那样？都不太清楚，将RCNN的一系列梳理了一遍之后，

才有些恍然大悟的一点感觉。

但是，基础还是不够扎实，有些理解还是会出现问题，之后随着理解的加深，慢慢再更新。

希望看到博客的读者，也能这样从头开始学RCNN，并不会浪费时间，反而会理解的更加深刻。

再看Fast RCNN过程：

1. 使用selective search算法为每一张待检测的图片提取出2000左右的候选框，这一点和RCNN相同；
2. 特征提取阶段，同样是提取出整张图片的feature map，然后将原图上的候选框映射到feature map上。然后对各个候选框对应的feature map上的块做ROI pooling，提取出固定长度的特征向量；
3. 对于上一步的每一个ROI，网络输出每个类的概率和每个bounding box；
4. 最后，使用NMS算法。

经过两次迭代优化，原始RCNN算法训练过程的三步走，现在只有两步，但是最终还是要使用selective search来做region proposal（候选框的生成）。

那么能不能使用CNN来做候选框的生成呐？

答案是可以！

由此，RPN（Region Proposal Network）被设计出来了。中文名就是区域生成网络。

Faster RCNN 可以看作是RPN 和 Fast RCNN的结合。

意味着我们把RPN理解透彻就能够很好的理解Faster RCNN了。

题外话:

这一段算是我的个人总结吧，在起初学习RPN的时候，很不明白，为什么RPN就能提取物体的候选框了，为什么要使用Anchor？

这些问题即使看了别人讲解RPN的博客也是一头雾水，根本不明白。

要理解这些问题，我们要学会用CNN做两件事情。

第一件：分类，这个问题是只要接触了CNN，我们就能基本知道怎么做，LeNet就是一个10分类，到了后来的AlexNet，VGG是1000分类。

如果这块还是不明白的话，只能好好推推CNN了。

第二件：回归，使用CNN做回归，我是开始没有搞明白。也就是怎么才能用CNN提取出来物体的bounding box呐？

bounding box 不就是学到目标的（x，y，h，w）四个参数吗？其中（x，y）是目标的在图片上面的中心坐标或者是左上角的坐标，h和w是目标框的长宽。

由于这四个参数都是连续的，所以是个回归问题。

为了弄明白这个道理，我们从最简单的开始，比如一张图中只有一个目标，且这一个目标只有三个种类比如是猫，狗，鼠。

四个坐标参数和 类别即可。

那么我们利用CNN需要得到什么信息呐？

首先需要一个参数p来确定这张图片是否含有目标，p=1代表有目标，p=0代表不含有目标。

如果图中存在目标，那么我们还要指定这个目标是三类中哪一个？

这时用SoftMax的方法一般是给出三个种类的概率即用c，d，m分别代表猫狗鼠在图中出现的概率。

（x，y，h，w）。

那么我们需要CNN最后输出的结果即是：（p，c，d，m，x，y，h，w ）维的向量即可。

更准确点就是让CNN的全连接层的最后输出是8维的向量，其中每一个输出单元代表了以上含义。

以上过程可以看作是CNN的前向传播过程，从输入一张图片，到输出这8维向量。

后向传播最主要的就是设计合理的loss函数，一般常用的loss函数可以按照以下：

loss=SoftMax（p,c,d,m）+s*L2( （x，y，h，w）-GT)

以上，SoftMax就不用讲了，L2范数其实就是欧氏距离（两点距离），其中s是两者的权重。

这样有了loss函数，我们就可以使用后向传播来反复迭代了，直到收敛。

这样单目标的提取目标检测框的过程就完成了。

理解了CNN做这两件事的过程，我们再来理解RPN网络，就会变得轻松一些了。

在正式开始RPN之前，还是先熟悉一下RPN的基础网络VGG16：

上图中D网络就是VGG16，如果你不太理解上图的含义，请移步：

我们可以看到，VGG16拥有13个conv，3个FC层。RPN用到的是conv3最后一层输出的feature map。

RPN网络：

有了以上基础后，我们再看Faster论文中的上图就很清晰了。

从下到上来看，

conv feature map是VGG16最后一层conv3的输出。

然后RPN在这个feature map上使用3*3的卷积核来进行卷积。

在这里我们先不考虑 anchor的存在 。假设feature map的大小的是40*60，那么使用3*3，pading=1，stride=1进行卷积后，输出依然是40*60。

那么针对这40*60个点，每一个点都输出一个6维的向量，如我们刚才理解的用CNN做回归的过程一样。那么最后输出的特征图应该是

40*60*6的feature map。

再换个思路理解就是，RPN将输入图片分成了40*60格子（要理解的是，这些格子的感受野在原图上是重叠的），每个格子都会输出一个用来分类和做回归的6维向量。

这样我们每个格子就会提出一个bounding box，一张图就可以提出2400个bounding box。这就代替了selective search 来做候选框的生成了。

那还为什么会有anchor呐？

其实这是由于一些问题出现了。

先考虑一种情况，

如果一个格子中出现了不止一个物体，而我们的RPN在格子中却只提出了一个bounding box，

那么带来的结果必定是漏检了，这个格子里面的目标只能找到一个或者都找不到。

再考虑另外一种情况，

比如上面这张图中，我们假设一个格子中既有人也有马，人是竖长的格子，马是横向比较长的格子，我们的框又该怎么找呐？

针对这些情况，作者提出了Anchor 的概念，就是在一个格子中，我们不仅仅提取一个box，我们提取出9个尺度，横纵比不同的box，

这样会在一个格子中存在9种不同的box，然后我们利用CNN来回归这些box。

怎么做回归呐？

RPN的前向传播过程：

在一个格子中，RPN会提取出来一个9*（2+4）的向量，其中2代表是否存在目标，4即是bounding box的四个坐标。

在前向过程中，RPN在一个格子中提取了9个框，以及每个框的置信度。

Anchor在这里起的作用，按照我的理解就是初始化上面提取的9个框。

这样每个格子的9个框就会有了初始的大小。

起初在这里我也有疑问，为什么要用Anchor初始化啊，不加上Anchor也是可以提取出来9个框的啊？

但是，CNN的训练过程我们是不可控的，虽然在一个格子中是可以提取到9个框，但是我们不能确定这9个框可能是回归到了同一个呐？

那就还是会出现马和人在一个格子中，我们可能只能找到一个目标。当然也可能可以找到两个。这些是不确定的。

但是，我们要增大我们能同时找到所有目标的概率。

这就是Anchor了。

其中按照一定的规则来抛弃一些box。规则可以参考以下：

再啰嗦一句，起初RPN提取的9个框和置信度的偏差肯定很大，所以需要后向传播的迭代优化。

RPN的后向传播过程：

CNN的后向传播最关键的就是要找到合适的loss，在有了合适的loss函数后，CNN就能迭代优化了。

RPN的loss函数：

其中具体字母代表的含义可以参考论文，只要明白了是分类和回归坐标的结合就可以了。

这样在每一张图片中就可以得到了40*60*9个bounding box，经过以上的分析，这些框是可以基本覆盖所有的ground truth。

以上，所有的分析基本回答了Anchor 是什么以及为什么使用Anchor。

再看RPN，这次就是横向对比了，去掉Anchor的RPN其实就是Fast RCNN的变形，

Fast RCNN：

RPN：

唯一不同的就是使用的loss函数不同，网络结构基本可以看作是一样的。

有了以上对比，Faster RCNN使用的共享权值那就是水到渠成了。

训练方法参考下图：

实验结果并不是我太关注的事情，肯定是当时最好。

个人见解：大家都知道Faster RCNN很厉害，速度相当快了，RPN是Faster的核心，而Anchor又是RPN的核心。那么Anchor的思想是来源哪里呐？

还是作者独到见解？

我的猜测，这个思想来源是另一篇2014年的CVPR：

Scalable Object Detection using Deep Neural Networks

论文名字并不出名，但是提出的loss函数可是被Fast RCNN，Faster RCNN，yolo，SSD所使用。结构名字也叫DeepMultibox。

如果你没关注到这篇论文，可以看一下：

这篇文章是这系列的目标检测的思想来源（我认为的）。很多内容被扩展后就成为了很牛的算法。

参考：

Faster R-CNN: Towards Real-Time Object Detection

with Region Proposal Networks

Faster RCNN详解：

deepmultibox：

Faster RCNN详解： http://www.360doc.com/content/17/0303/14/10408243_633634497.shtml