Faster-RCNN检测-RPN

主要贡献

提出了 RPN(Region Proposal Networks) 网络来计算候选框

主要步骤:

1. 特征提取: 同 Fast R-CNN，以整张图为输入，利用 CNN 得到图像的特征层
2. 区域提名: 在最终的卷积特征层conv5-3上利用K 个不同的矩形框 (Anchor Box) 进行提名， k 一般取 9
3. 分类与回归: 对每一个 Anchor Box 对应的区域：
   
   • 进行 object/non-object 二分类
   • 用 k 个回归模型(对应不同的 Anchor Box )微调候选框位置和大小，最终进 行目标分类

注: Faster R-CNN 抛弃了 Selectave Search, 引入了 RPN 网络，使得区域提名，分类，回归一起共用卷积特征，从而得 到了进一步加速。但是 Faster R-CNN 需要对两万个 Anchor Box 先判断是否是目标(二分类)，然后在进行目标识别，分成了两部分

RPN网络

• 特征细化：RPN层的第一步是用[3,3,512]的卷机核在conv5-3上进行卷机操作，conv5-3上的每一个像素点，对应的是原始图像中的近似于16x16的区域，所以这也就是为什么文章中说的把每一个中心点的像素转换为512-D的vector，feature map的个数变为了512，于是比如[0,0,:]就是一个512-D的vector

• 网络输出：在这个512-D的vector基础上，又有两个全卷机网络，

  • 一个是1x1的卷积核，单输出9x2维，因为有9个anchor，每个anchor都有两个值，前景和背景，所以是18。所以这个输出的大小的height和width与conv5-3的大小一致，用于定义objetness。
  • 另一个全卷机核大小维1x1，输出为9x4，因为有9个anchor，每个anchor有4个值，这4个值为预测的tx，ty，tw，th。所以这个输出feature的height和width与conv5-3的大小一致，但深度为36。用于定义pred-box。

• 区域生成：

  • anchor生成：

    // return://       rpn_labels: [HxWxA, 2]//       rpn_bbox_targets: [HxWxA, 4]rpn_labels, rpn_bbox_targets, rpn_bbox_inside_weights,rpn_bbox_outside_weights =                anchor_target_layer(rpn_cls_score, # (1, H, W, Ax2) bg/fg, 只提供feature map的height，width信息                    gt_boxes, # (g, 5) vstack of [x1, y1, x2, y2, class]                    gt_ishard,                     dontcare_ares,                    im_info,                     _feat_stride=[16,], anchor_scales=[4,8,16,32])

    • 这个方法首先把越界的anchor都过滤掉，保留都在图像范围内的anchor。
    • 然后创建一个全部是-1的label。
    • 接着计算每一个anchor与ground_truth的overlap，overlap返回一个二元数组，行数代表anchor的个数，列数代表ground-truth的个数。
    • 从中选择max-overlap，如果max-overlap大于某个阈值，那么这个anchor的label就设置为包含目标，用1表示。如果max-overlap小于某个阈值，那么这个anchor的label就设置为0。
    • 然后在找到每个ground-truth和anchor覆盖最大的anchor的index，把这些anchor设置为1，从而避免某个ground-truth没有对应的anchor。
    • 对每个anchor都设置是否含有目标后，利用anchors和每个anchors对应的max-overlap的ground-truth来计算该anchor对应的tx*, ty*, tw*, th*。
      
    • 然后设置bbox_inside_weights，这个权值起到的作用是论文中的公示（1）中的pi*。bbox_outside_weights权值用来设置在所有样本中，postive和negitive的权值。由于上述所有操作中都是在没有超越边界的anchor中进行的，所以需要还原回所有的anchors中，于是使用了方法_unmap
    • 该方法最后返回：
      
      • rpn_label：这事真实的每一个anchor是否含有目标还是没有目标
      • rpn_bbox_targets：这个是真实的每个anchor与其覆盖最大的ground-truth来计算得到的tx，ty，tw，th

  • proposal生成

    // return://      rpn_rois: [1xHxWxA, 5] e.g. [0, x1, y1, x2, y2]rpn_rois = proposal_layer(rpn_cls_prob_reshape, # [1,H,W,Ax2] outputs of RPN, prob of bg or fg                rpn_bbox_pred, # [1,H,W,Ax4], rgs boxes output of RPN                im_info,                 cfg_key,                 _feat_stride=[16,],                 anchor_scales=[8,16,32])

    • 该方法首先根据rpn_bbox_pred来生成原始图像中的anchor的预测坐标，由于rpn_bbox_pred是tx，ty，tw，th（计算方法参考论文），对rpn_cls_prob进行排序，根据objectness分数进行高低排序，然后选出需要保留的proposal个数，论文中设置为6000，然后从这些proposal中使用nms算法，筛选出最后的proposal，返回这些proposal和score。注意，这些proposal和score都是排序后的。

  • target生成

    // return://     rois: [1xHxWxA,5] e.g. [0, x1, y1, x2, y2]//     labels: [1xHxWxA, 1] e.g. {0,1,2,...,_num_classes-1}//     bbox_targets: [1xHxWxA, Kx4] e.g. [dx1, dy1, dx2, dy2]//     bbox_inside_weights: [1xHxWxA, kx4] e.g. 0/1 masks for the computing loss//     bbox_outside_weight: [1xHxWxA, kx4] e.g. 0/1 masks for the computing lossroi, labels, bbox_targets, bbox_inside_weights, bbox_outside_weights =             proposal_target_layer(rpn_roi, # (1xHxWxA, 5) e.g. [0,x1,y1,x2,y2]            gt_boxes, # (G,5) e.g. [x1,y1,x2,y2,class]             gt_ishard,             dontcare_area,             _num_classes)

    • 首先计算fg_rois_per_image，也就是一个batch中认为是前景的roi的个数，剩余的认为是背景。
    • 然后计算每一个rois和ground_truth的overlap，该overlap返回的数组形式为[roi_size, gt_size]。
    • 从这些rois中随机选择一些正样本和负样本，max_overlap大于某个阈值的roi被认为是正样本，建立label【label是每一个正样本的类别标签，voc为20类，是某个数字】。按照比例设定背景样本，背景样本的标签为0。该方法中调用了一个—_sample_rois的方法，该方法返回值为：
      
      • labels：每一个roi的类别标签，
      • rois：就是原来所有rois进行正负样本过滤后，选择出来的正样本和负样本。
      • roi_scores：对应选择出来的正负样本的objectness score
      • bbox_targets：该返回值为数组，target_num=[num_rois, num_class*4]，取其中一行作为例子，比如target_num[0]，该vector的长度为80，首先设置全部为0，如果target_num[0]的类别是3，那么设置target_nums[0,3*4:(3*4+4)]的取值为tx,ty,tw,th。
    • 这个方法返回的rois会接着送到后面的fast-rcnn网络中。该方法中计算出来的labels，boxs都作为真实值。