『Faster R-CNN: Towards Real-Time

2019-03-07 本文已影响0人 ktulu7

一为什么读这篇

大名鼎鼎的Faster R-CNN，二阶段法的代表，属于目标检测领域的必读之作。

二截止阅读时这篇论文的引用次数

2019.2.9 6349次。在细分领域里能有这么多，可见影响之广泛。

三相关背景介绍

15年6月首次挂在arXiv上，就比Fast RCNN晚一个多月，比YOLO v1早几天，比ResNet早半年。中了15年的NIPS。作者还是MSRA时那几个，一作任少卿当时还是MSRA的实习生，现在在Momenta，二作何恺明不用多说了，三作Ross Girshick(rbg)是R-CNN和Fast R-CNN的一作，YOLO v1的三作，四作孙剑也不用多说。拿了2015年的ImageNet和COCO的冠军。

四关键词

Faster R-CNN

RPN

anchor

五论文的主要贡献

1 比Fast R-CNN更快

2 提出RPN，统一了候选区域生成和最终的检测为一体

六详细解读

0 摘要

虽然SPPnet和Fast R-CNN减少了检测网络的运行时间，不过候选区域的计算依旧是瓶颈。本文提出RPN（Region Proposal Network）网络，与检测网络共享整幅图像的卷积特征，从而实现几乎无成本的候选区域计算。RPN是全卷积网络，可以同时预测每个位置上的目标框和目标分数。RPN生成高质量的候选区域，用于Fast R-CNN的检测。通过共享卷积特征将RPN和Fast R-CNN合并为一个网络，这些卷积特征相当于通过"attention"机制，RPN部分告诉网络应该朝哪里看。用VGG16，能到5FPS，（测试时）每张图仅用300个候选区域就达到了VOC2007，2012和COCO的SOTA。

1 介绍

Selective Search是过去最流行的方法之一，它是基于低阶特征贪心地合并超像素，每张图在CPU上要运行2秒。EdgeBoxes提供了候选质量和速度的最佳权衡，每张图要0.2秒。而本文提出的RPN每张图10毫秒。

本文观察到像Fast R-CNN这样基于区域的检测器使用的卷积特征图也可以用来生成候选区域。在这些卷积特征之上，通过增加一些卷积层来构建RPN，这些层可以在常规网格的每个位置处同时回归候选框和目标分数。因此RPN是一种全卷积网络（Fully Convolutional Network FCN），可以针对生成候选区域的任务进行端到端的训练。

RPN旨在有效地预测具有各种尺度和纵横比的候选区域。相比之前方法，如图1a的图像金字塔，图1b的滤波器金字塔，本文引入一种全新的"anchor"，作为多种尺度和纵横比的参考（图1c）。这种机制避免了大量的具有多个尺度或纵横比的图像（滤波器）。该模型在使用单尺度图像进行训练和测试时表现都很好，因此有利于提速。

faster_rcnn-fig1.png

2 相关工作

候选目标

广泛使用的候选目标方法包括基于组超像素（如Selective Search，CPMC，MCG）和基于滑动窗口的方法（如EdgeBoxes）。候选目标方法作为与检测器独立的外部模块提供（如Selective Search，R-CNN，Fast R-CNN）

用于目标检测的深度网络

OverFeat方法训练全连接层来预测框坐标，而这个任务是假设只有单个对象的定位，后面的全连接层转为卷积层用于检测多个类相关的目标。MultiBox方法并没有共享候选和检测网络之间的特征。

共享卷积计算受到了越来越多的关注。

3 Faster R-CNN

Faster R-CNN主要由两个模块组成，第一个是产生候选区域的全卷积网络，第二个是使用候选区域的Fast R-CNN。用流行词"attention"来说就是RPN模块告诉Fast R-CNN模块应该看哪里。

faster_rcnn-fig2.png

3.1 Region Proposal Network

RPN用任意大小的图像作为输入，输出是一组矩形候选目标，每一个矩形都有是否为目标的分数。

为了生成候选区域，在最后一个共享卷积层输出的特征图上滑动一个小网络。该小网络将特征图的n × n空间窗口作为输入。每个滑动窗口映射为低维特征（ZF 256-d，VGG 512-d，后面跟着ReLU），之后将该特征输入两个并行的全连接层，一个为box回归层（reg），一个为box分类层（cls）。本文设置n=3。这个mini网络在一个位置上的示例如图3左所示。注意该mini网络以滑动窗口方式运行，因此所有空间位置共享全连接层。该架构很自然地用n x n卷积层实现，后面跟着两个并行的1 x 1卷积层（分别用于reg和cls）

faster_rcnn-fig3.png

3.1.1 Anchors

在每个滑动窗口位置，同时预测多个候选区域，其中每个位置最大可能侯选数定义为k。因此回归层有4k个输出，用于编码k个box的坐标，分类层有2k个得分，用于估计每个候选是否为目标的概率（本文为了简化实现用了2分类的softmax层，其实也可以用逻辑回归生成k个得分作为预测）k个候选相对于k个参考框（本文称为anchors）参数化。anchor位于滑动窗口的中心，并且与尺度和纵横比相关联。默认在每个滑动位置设置3个尺度和3个纵横比，生成k=9个anchors。对于大小为W x H的卷积特征图，总共有W x H x k个anchors（2400多个）。

平移不变的Anchors

本文方法的一个重要属性就是平移不变性，anchors和计算相对于anchors的候选都有这个特点。如果平移一幅图像上的一个目标，候选也应当平移，在每个位置上预测候选的函数也应一样。这种平移不变性是由FCN的特点保证的。平移不变性也减小了模型的大小，当k=9个anchors时，有(4+2) x 9维的卷积输出层。

作为回归参考的多尺度Anchors

见图1。本文方法仅仅依赖单尺度图像和特征图，单独大小的滤波器（特征图上的滑动窗口）。正是由于这种基于anchors的多尺度设计，本文方法能简单的在单尺度图像上计算卷积特征。多尺度anchors的设计是共享特征的关键组件，而无需额外的成本去解决尺度问题。

faster_rcnn-table8.png

3.1.2 Loss Function

为了训练RPNs，给每个anchor赋予一个二元标签（是否为目标）。当符合以下条件之一时，赋为正标签：

a. 与真实box有最高IoU的anchor

b. anchor与任意真实box的IoU>0.7

注意一个真实box可以给多个anchors赋予正标签。如果anchor和所有真实box的IoU都小于0.3则赋为负标签。如果Anchor即非正也非负则对训练目标没有贡献。基于这些定义，一幅图像的损失函数定义如下：
$L \left( \left\{ p _ { i } \right\} , \left\{ t _ { i } \right\} \right) = \frac { 1 } { N _ { c l s } } \sum _ { i } L _ { c l s } \left( p _ { i } , p _ { i } ^ { * } \right) + \lambda \frac { 1 } { N _ { r e g } } \sum _ { i } p _ { i } ^ { * } L _ { r e g } \left( t _ { i } , t _ { i } ^ { * } \right)$
式中，i为mini-batch中一个anchor的索引， $p _ { i }$ 为anchor i是目标的预测概率。如果anchor是正的，真实标签 $p _ { i } ^ { * }$ 为1，anchor是负的，则为0。 $t _ { i }$ 是预测的边界框的4个参数化坐标的向量表示， $t _ { i } ^ { * }$ 是与正anchor关联的真实box。分类损失 $L _ { c l s }$ 是两个类的对数损失（是否为目标）。对于回归损失，用 $L _ { r e g } \left( t _ { i } , t _ { i } ^ { * } \right) = R \left( t _ { i } - t _ { i } ^ { * } \right)$ ，其中R是Fast R-CNN定义的健壮损失函数（平滑L1）。 $p _ { i } ^ { * } L _ { r e g }$ 意味着仅当用于正anchor时回归损失是激活的。 $N _ { c l s } = 256$ （和mini-batch size一样）， $N _ { r e g } \sim 2,400$ （anchor位置的数量），设置 $\lambda = 10$ ，以使分类和回归的权重大致相等。另外发现上式的规范化并不是必需的，也许可以简化掉。。

faster_rcnn-table9.png

对于边界框回归，采用R-CNN中的4个坐标的参数化：
$t _ { \mathrm { x } } = \left( x - x _ { \mathrm { a } } \right) / w _ { \mathrm { a } } , \quad t _ { \mathrm { y } } = \left( y - y _ { \mathrm { a } } \right) / h _ { \mathrm { a } }$

$t _ { \mathrm { w } } = \log \left( w / w _ { \mathrm { a } } \right) , \quad t _ { \mathrm { h } } = \log \left( h / h _ { \mathrm { a } } \right)$

$t _ { \mathrm { x } } ^ { * } = \left( x ^ { * } - x _ { \mathrm { a } } \right) / w _ { \mathrm { a } } , \quad t _ { \mathrm { y } } ^ { * } = \left( y ^ { * } - y _ { \mathrm { a } } \right) / h _ { \mathrm { a } }$

$t _ { \mathrm { w } } ^ { * } = \log \left( w ^ { * } / w _ { \mathrm { a } } \right) , \quad t _ { \mathrm { h } } ^ { * } = \log \left( h ^ { * } / h _ { \mathrm { a } } \right)$

其中 $x , y , w , h$ 是box中间的坐标及其宽高。变量 $x , x _ { \mathrm { a } } , x ^ { * }$ 分别为预测box，anchor box，真实box。上面的式子可以理解为从anchor box到附近真实box的边界框回归。

然而，本文的边界框回归方法与之前的SPPnet，Fast R-CNN又有所不同。之前方法的边界框回归是对任意大小的RoIs执行特征池化，并且回归权重由所有区域大小共享。本文定义中，用于回归的特征在特征图上有同样的空间大小（3 x 3）。为了考虑不同的大小，学习了一组k个边界框回归。每个回归负责一种尺度和一种纵横比，k个回归不共享权重。

多亏了anchors的设计，即使特征具有固定的尺寸/比例，仍然可以预测各种尺寸的boxes。

3.1.3 训练RPNs

每个mini-batch从一幅图像上生成许多正负anchor样本。对所有的anchor进行优化也是可以的，不过这样会朝着负样本偏移，因为它们占主导地位。取而代之，本文从一张图像上随机采样256个anchors，来计算一个mini-batch的损失函数，其中正负anchors的比例为1:1。当一幅图像上的正样本少于128个时，才用负样本补齐。

对所有新加的层用高斯分布做初始化，其余层用ImageNet预训练权重。基于Caffe实现。

3.2 用于RPN和Fast R-CNN的共享特征

有3种方式来训练共享特征的网络

a. 交替训练

先训练RPN，然后用候选训练Fast R-CNN。通过Fast R-CNN调优的网络再初始化RPN，然后迭代这个过程。

b. 近似的联合训练

如图2所示，在训练期间RPN和Fast R-CNN合并为一个网络。在每个迭代中，前向传播生成的候选区域被视为就好像固定的，预先计算好的候选，用于训练后面的Fast R-CNN。

c. 非近似的联合训练

RoI pooling

4步交替训练

本文采用4步训练算法来学习共享特征

1 如3.1.3节描述，训练RPN。用ImageNet预训练权重，并做基于候选区域任务的微调。

2 使用第一步RPN生成的候选训练Fast R-CNN。检测网络也用ImageNet预训练权重，此时两个网络还没共享卷积层

3 用检测网络来初始化RPN训练，但是固定共享卷积层，仅微调RPN特有的层。此时两个网络共享卷积层

4 保持共享卷积层固定，微调Fast R-CNN特有的层

3.3 实现细节

对于anchors，使用3种尺度，3种纵横比。

faster_rcnn-table1.png

与图像边界交叉的anchors需要仔细处理。在训练时，忽略了所有边界交叉的anchors。测试时对边界交叉anchor做图像边缘的裁剪就行了。

用IoU阈值为0.7的NMS，这样每幅图大约还剩2000个候选区域。再用这2000个候选区域训练Fast R-CNN。

4 实验

4.1 PASCAL VOC

VOC2007包含5千张训练集，5千张测试集，20类。

faster_rcnn-table2.png

faster_rcnn-table5.png

RPN的剥除实验

见表2下半部分。

尽管anchor有多种尺度和纵横比，对于精确的检测也是不够的。

VGG-16的性能

faster_rcnn-table3.png

faster_rcnn-table4.png

对超参数的敏感性

见表8，表9。

Recall-to-IoU分析

faster_rcnn-fig4.png

如图所示，当候选数量从2000降到300时，RPN方法表现得很好。这也解释了为什么在使用少至300个候选时RPN仍然有很好的mAP。正如前面分析的，这要归功于RPN的cls。

一阶段检测 vs. 二阶段候选 + 检测

OverFeat是一阶段，类相关的方法。

faster_rcnn-table10.png

4.2 MS COCO

VOC2007包含8万张训练集，4万张验证集，2万张测试集，80类。针对这个数据集也做了几点轻微的修改。用8卡GPU实现，RPN的batch size为8（每卡1个），Fast R-CNN的batch size为16（每卡2个）。因为batch size改大了，学习率也跟着调大。对于anchors，用3个纵横比4个尺度（加了64 x 64），主要目的是处理数据集中的小目标。

faster_rcnn-table11.png

将VGG-16用ResNet-101替换后，mAP从41.5%/21.2%提升到48.4%/27.2%（basenet的影响还是很明显的）

4.3 从MS COCO到PASCAL VOC

COCO的类别是VOC的超集，所以预测VOC的训练数据可以加上COCO。从表12可以看出，数据集的影响还是很大的。

faster_rcnn-table12.png

5 总结

提出RPN用于生成候选区域。通过与下游的检测网络共享卷积特征，生成候选区域这步几乎没有额外的代价。本文方法提供一个统一的，基于深度学习的目标检测系统，可以近实时的运行。因为学习到的RPN提升了候选区域的质量，因此也改进了整个目标检测的准确率。

七读后感

这个论文是系列的，还是得看Fast R-CNN和R-CNN，它们分别递进的解决不同的问题。

素质四连

要解决什么问题

生成候选区域和之后的检测网络是割裂的

用了什么方法解决

提出RPN，用一个网络统一生成候选区域和Fast R-CNN

效果如何

共享卷积特征，在提速的同时检测效果也有稍许提升

还存在什么问题

虽然已经是Faster了，相比一阶段还是不够快。

八补充

基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN

从编程实现角度学习Faster R-CNN（附极简实现）

一文读懂Faster RCNN

RoI pooling/Spp和max pooling很像，除了在重叠区域的pooling。（rbg在ICCV15的slides第16页）

因为原始图像上物体大小不一样，所以需要将这些抠出来的Region想办法resize到相同的尺寸，这一步方法很多（pooling或插值都可以，一般采用pooling，因为反向传播时求导方便）

Regoin Proposal的作用：

如果没有，会产生过多的不包含任何有用的类别的region，因为这些region数量庞大，不能为softmax带来有用的性能提升（因为无论怎么预测，其类别都是背景，对于该识别的类别没有贡献）。这些无用的Region都要单独进入分类网络，十分耗费计算时间。

整张图像上，所有的框，一开始就由anchor和网络结构确定了。所有后续的工作，RPN提取前景和背景，其实就是保留包含前景的框，丢掉包含背景的，包括后续的NMS，也是丢掉多余的，并非重新新建一个框。网络输出的两个bbox回归，都是输出坐标偏移量，也就是在初始锚点的基础上做的偏移修正和缩放，并非输出一个原图上的绝对坐标。

每个特征图上的点都有9个anchor，对于下采样16倍，生成(H/16) x (W/16) x 9个anchor，对于一个512x62x37的feature map，大约有2w个anchor，这种做法很像暴力穷举，2w多个哪怕是蒙也能把ground truth蒙中。

SPP的第一个贡献就是将金字塔思想加入到CNN，实现了数据的多尺度输入。在卷积层和全连接层之间加入了SPP层，此时网络的输入可以是任意尺度的，在SPP层中每一个pooling的filter会根据输入调整大小，而SPP的输出尺度始终是固定的。

ROI pooling其实就是一个单层SPPNet

rbg自己在slide里说了，当时用4步交替训练法并没有任何基础原则，只是仅仅为了在NIPS deadline前交稿。。。

R-CNN的3个问题：

1 测试时很慢：需要在每一个候选区域运行完整的CNN

2 SVM和回归是后处理：在响应SVM和回归时CNN特征没有更新

3 复杂的多阶段训练流程

Fast R-CNN如何解决的：

1 共享候选区域的卷积计算

2 3 端到端的训练整个系统（multi-task loss）

Fast R-CNN的问题：

测试时速度并不包括候选区域提取

Faster R-CNN如何解决的：

让CNN也来做候选区域提取！