Faster R-CNN 论文阅读

2018-11-10 本文已影响0人 SmallRookie

Faster R-CNN

原文：Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. MIT Press, 2015:91-99.

译文参考：Faster R-CNN论文翻译——中英文对照

简介

目标检测网络依赖于Region Proposal算法假设目标位置，通过引入Region Proposal（网络RPN），与检测网络共享全图像卷积特征，使得Region Proposals的成本近乎为零。

如下图所示，图a采用的是图像金子塔（Pyramids Of Images）方法；图b采用的是滤波器金字塔（Pyramids Of Filters）方法；图c引入“锚”盒（"Anchor" Boxes）这一概念作为多尺度和长宽比的参考，其可看作回归参考金字塔（Pyramids Of Regression References）方法，该方法可避免枚举图像、多尺度滤波器和长宽比。

解决多尺度和尺寸的不同方案

为了将RPN与Fast R-CNN相结合，本文提出了一种新的训练策略：在region proposal任务和目标检测任务之间交替进行微调，同时保持proposals的固定。该方案能够快速收敛，两个任务之间并共享具有卷积特征的统一网络。

网络结构

Faster R-CNN由两个模块组成：

RPN，该模块采用“注意力”机制
Fast R-CNN检测器

RPN

RPN以任意大小的图像作为输入，输出一组矩形的目标proposals，每个proposals都有一个目标得分。在实验中，假设两个网络（RPN和Fast R-CNN）共享一组共同的卷积层，并研究了具有5个共享卷积层的Zeiler和Fergus模型（ZF），以及具有13个共享卷积层的Simonyan和Zisserman模型（VGG-16）。

为了生成region proposals，对最后的共享卷积层输出的卷积特征图谱使用一个小网络。该网络以卷积特征图谱的 $n*n$ 空间窗口作为输入，且每个滑动窗口映射到一个低维特征，所有空间位置共享全连接层。

本文中， $n=3$ 。关于低维特征，ZF为256维，VGG为512维，其后为Relu激活函数。

该低维特征作为两个子全连接层———边界框回归层（box-regression layer, reg）和边界框分类层（box-classification layer, cls）的输入，其卷积核均为 $1*1$ 大小。

Anchors

对于每个滑动窗口位置，可同时预测多个region proposals，最大region proposals数为 $k$ 。因此，reg层具有 $4k$ 个输出，用于编码k个边界框的坐标；cls层具有 $2k$ 个得分，用于估计每个proposal是目标或不是目标的概率。

Anchors：k个proposals相对于 $k$ 个参考框是参数化形式。

The $k$ proposals are parameterized relative to $k$ reference boxes, which we call anchors.

anchor位于滑动窗口的中心，并与尺度和长宽比相关。默认情况，使用3个尺度和3个长宽比，在每个滑动位置产生 $k=9$ 个anchors。对于大小为 $W*H$ 的卷积特征图谱，共产生 $WHk$ 个anchors。

特性：平移不变性

多尺度anchors作为回归参考

基于anchor的方法建立在anchors金字塔（pyramid of anchors）上，参考多尺度和长宽比的anchor盒来分类和回归边界框，用于解决多尺度和多长宽比问题。

mAP指平均精度均值，mean Average Precision。

Loss函数

为了训练RPN，为每个anchor分配一个二值标签。

正标签：

与真值框的最高重叠交并比（Intersection-over-Union，IoU）比的anchor；
与真值框的重叠IoU值超过0.7的anchor。

注：单个真值框可为多个anchor分配正标签。通常，采用第一个条件。在极少情况下，第二个条件可能无正样本。

负标签：IoU值低于0.3。

对Fast R-CNN中的多任务损失进行最小化。图像的损失函数为：

$L(\{p_i\},\{t_i\})=\frac{1}{N_{cls}}\sum_iL_{cls}(p_i,p^*_i)+\lambda\frac{1}{N_{reg}}\sum_ip^*_iL_{reg}(t_i,t_i^*)$

其中， $i$ 是mini-batch数据中anchor的索引， $p_i$ 是第i个anchor作为目标的预测概率。若anchor为正标签，真值 $p_i^*=1$ ；反之， $p_i^*=0$ 。 $t_i$ 是表示预测边界框4个参数化坐标的向量， $t^*_i$ 是正真值框的向量。分类损失 $L_{cls}$ 为两个类别的对数损失；回归损失 $L_{reg}(t_i,t_i^*)=R(t_i-t_i^*)$ ，其中 $R$ 为在Fast R-CNN一文中定义的鲁棒损失函数（平滑 $L_1$ ）。 $p_i^*L_{reg}$ 表示回归损失仅对正anchor激活，否则被禁用（ $p_i^*=0$ ）。cls和rge层的输出分别由 $p_i$ 和 $t_i$ 组成。该两项使用 $N_{cls}$ 和 $N_{reg}$ 进行标准化，并使用平衡参数 $\lambda$ 加权处理。等式中cls项根据mini-batch的大小进行归一化，而reg项根据anchor位置的数据进行归一化。默认情况下， $\lambda=10$ 从而使得cls和reg项的权重大致相等。

实验结果表明， $\lambda$ 值在宽泛的范围内不敏感，且对reg和cls两项的归一化可简化。

对于边界框回归，采用Rich feature hierarchies for accurate object detection and semantic segmentation一文中的4个坐标参数化方法：

$t_X = (x - x_a) / w_a, \quad t_y = (y - y_a) / h_a, \\ t_W - log(w / w_a), \quad t_h = log(h / h_a), \\ t_X^* = (x^* - x_a) / w_a, \quad t_y^* = (y^* - y_a) / h_a \\ t^*_W = log(w^* / w_a), \quad t^*_h = log(h^* / h_a)$

其中， $X,y,W$ 和 $h$ 表示边界框的中心坐标及其宽和高。变量 $x,x_a$ 和 $x^*$ 分别表示预测边界框、anchor和真值框。

RPN训练策略

采样策略：以图像为中心。

在图像中随机采样256个anchors，用于mini-batch数据中损失函数的计算，正负样本的比例为 $1:1$ 。

若图像中的正样本数量少于128个，则使用负样本数据补充mini-batch中的数据。

从标准差为0.01的零均值高斯分布中提取权重来随机初始化所有的新网络层，而共享卷积层通过预训练ImageNet分类模型来初始化。同时，调整ZF网络的所有网络层，以及VGG网络的conv3_1之上的网络，用于节省内存的使用。对于60k的mini-batch数据，学习率为0.001；对于PASCAL VOC数据集中的20k的mini-bacth数据，学习率为0.0001。随机梯度下降算法的动量设置为0.9，重量衰减率为0.0005。

RPN和Fast R-CNN共享特征

训练具有共享特征网络的三个方法：

交替训练。首先训练RPN，并使用这些proposals训练Fast R-CNN；然后，使用Fast R-CNN初始化RPN，重复上述过程。

本文使用的方法。

近似联合训练。在训练期间，RPN和Fast R-CNN网络合并为一个网络。在每次SGD迭代中，前向传递生成region proposals，在训练Fast R-CNN检测器时作为固定的、预计算的proposals。共享层组合来自RPN损失和Fast R-CNN损失的反向传播信息。

相比于交替训练方法，训练时间减少了大约25~50%。

非近似的联合训练。

版权印版权标识