1.网络架构
VGG16网络
anchors:人工放上去的
RPN对anchors进行二分类，正样本，负样本
RoIP：前面的框框已经圈出目标，但还不知道具体属于哪个类，它就是干这个工作的
2.VGG网络
VGG网络可以任意替换其他的任意神经网络，resnet等
以VGG网络为例：
- 首先缩放至固定大小MxN。VGG网络输出Feature Map
- 放入共享Conv layers
- RPN计算proposals
- Roi Pooling层则利用，proposals从feature maps中提取proposal features
- 送入后续全连接和softmax网络作classification。
3.共享卷积层
以VGG网络为例：
- Conv layers部分共有13个conv层， 13个relu层，4个pooling层。
- 所有的conv层都是：kernel_size=3，pad=1， stride=1
- 所有的pooling层都是：kernel_size=2，pad=0， stride=2
- 在Faster RCNN Conv layers中对所有的卷积都做了扩边处理( pad=1，即填充一圈0)，导致原图变为 (M+2)x(N+2)大小，再做3x3卷积后输出MxN 。
- pooling层kernel_size=2，stride=2。这样每个经过 pooling层的MxN矩阵，都会变为(M/2)x(N/2)大小。
- 一个MxN大小的矩阵经过Conv layers固定变为 (M/16)xN/16) (注：有四层pooling,2^4=16)
图像的大小改变都是有pooling造成的
为什么叫共享？因为VGG产生的Feature Map用于RPN的训练，同时也用于RCNN的训练
4.Anchors
绿框框逐行的扫描
备选框：有一定的可能性包含物体在里面
- 4个值表示矩形左上和右下角点坐标：(x1,y1,x2,y2)
- 九个矩阵共有三种形状，长宽比大约为：
- 为每一个点都配备这9种anchors作为初始的检测框
对每一个点都生成这样的框框，量是非常巨大的
- 原文中使用的是ZF model中，其 Conv Layers中最后的conv5层 num_output=256，对应生成256 张特征图，所以相当于feature map每个点都是256-dimensions.
- 训练程序会在合适的anchors中随机选取128个postive anchors+128 个negative anchors进行训练
例如：
一个feature map 就产生17100个anchors
4.1对Anchor分配标签
-
区分前景与背景Anchor，标记标签(1 正例， -1 负例，0忽略)
- 正例：对于每一gt box，交并比最大的 anchor、与任一 gt box交并比超过一定阈值(0.7)
- 负例：与所有gt boxes交并比小于一定阈 值(0.3) 其他忽略
-
对每一前景anchor，根据对应的gt box计算回归值
回归值的计算，使得框框的位置挪到一个更精确的位置
5.RPN(Region Proposal Network)
目的：判定哪些anchors有可能包含物体。
输入：所有的anchors (数量巨大)
输出：(1)包含物体的概率
(2)调整anchors的位置
anchors人工标定的9种大小，RPN把背景区分出来
- 上面一条用softmax分类anchors获得positive和negative
- 下面一条用于计算对于anchors的bounding box regression偏移量
- 最后的proposal获取positive anchors的正确proposal， 剔除太小和超出边界的 proposal
生成检测框是非常耗时的，例如使用SPP(金字塔特征获取)
6.正负样本的判定
9*2=18
7.Bounding Box Regression
- 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’。
- Anchor box与predicted box, ground truth之间的平移量：
- VGG输出50x38x512, 对应50x38xk个anchors
- RPN输出：
- 50x38x2k的positive/negative softmax分类特征矩阵
- 50x38x4k的regression坐标回归特征矩阵
8.Proposal Layer
- Proposal Layer负责综合变换量和positive anchors, 计算出精准的proposal。
- 3个输入： anchors分类结果，对应bbox的变换量和缩放信息
- 缩放信息：若经过4次pooling后WxH=(M/16)x(N/16)，则缩放量为16。
处理流程：
- 生成anchors，依据变换量对所有的anchors做bbox regression回归。
- 按照输入的positive softmax scores由大到小排序anchors，提取前pre_nms_topN(e.g. 6000)个anchors。
- 限定超出图像边界的positive anchors为图像边界，防止后续roi pooling时proposal超出图像边界。
- 剔除尺寸非常小的positive anchors。
- 对剩余的positive anchors进行NMS。
- 之后输出proposal=[x1, y1, x2, y2]，对应的是MxN的图像尺度。
生成anchors -> softmax分类器提取positvie anchors -> bbox reg回归positive anchors -> Proposal Layer生成proposals
9.Roi pooling
- 目前的proposals还 没有具体的物体信息。
- 因此需要从已有的 bounding boxes中 提取特征。
两个输入：
- 原始的feature maps
- RPN输出的proposal boxes
为何要RoI Pooling
- proposals大小形状各不相同
- 从Spatial Pyramid Pooling发展而来
信息的丢失
图像的失真
处理步骤：
10.分类
- 通过全连接和softmax对proposals进行分类
- 再次对proposals进行bounding box regression，获 取更高精度的bbox
11.Faster RCNN的训练
- 训练RPN，该网络用ImageNet预训练的模型初始化；
- 我们利用第一步的RPN生成的建议框，由 Fast R-CNN训练一个单独的检测网络，这个检测网络同样是由ImageNet预训练的模型初始化的；
- 我们用检测网络初始化RPN训练，但我们固定共享的卷积层，并且只微调RPN独有的层， 现在两个网络共享卷积层了；
- 保持共享的卷积层固定，微调Fast R-CNN的 fc层。这样，两个网络共享相同的卷积层， 构成一个一的网络。
12.网络总结
- 基于ZF或VGG16提取输入图像特征
- 生成anchors
- RPN计算：特征图feature map通过RPN预测anchor参数：置信度 (foreground)和转为预测框的坐标系数
- 根据anchors和RPN预测的anchors参数，计算预测框的坐标系数， 并得到每个预测框的所属类别labels。
- ROI Pooling把目标转为统一的固定尺寸。
- Fast RCNN 预测预测框的类别，和转为目标框的平移缩放系数。注意：这里要与RPN区分.
