目录：Faster R-CNN的几点理解

• 一、Faster R-CNN概述
• 二、R-CNN、Fast R-CNN、Faster R-CNN的对照
• • 2.1 R-CNN
  • • 2.1.1 R-CNN的检测步骤
    • 2.1.2 R-CNN的主要缺点
  • 2.2 Fast R-CNN
  • • 2.2.1 Fast R-CNN的检测步骤
    • 2.2.2 Fast R-CNN的缺点
  • 2.3 R-CNN、Fast R-CNN、Faster R-CNN的比较
• 三、Faster R-CNN网络结构简介
• 四、Faster R-CNN网络结构详解
• • 4.1 特征提取网络
  • 4.2 区域建议网络RPN
  • • 4.2.1 RPN概述
    • 4.2.2 RPN实现的具体方法
    • 4.2.3 Roi pooling
• 五、Faster R-CNN网络的训练过程
• • 5.1 拆分训练
  • 5.2 端到端训练

一、Faster R-CNN概述

Faster-RCNN是2015年提出的第一个真正意义上的端到端的深度学习检测算法，其最大的创新之处就在于通过添加RPN网络，基于Anchor机制来生成候选框（代替selective search），最终将特征提取、候选框选取、边框回归和分类都整合到一个网络中，从而有效的提高检测精度和检测效率。

Faster-RCNN的具体的流程就是将输入图像缩放以后进入到卷积层提取特征得到feature map（特征图），然后特征图送入RPN网络生成一系列可能的候选框，接下来将原始的特征图和RPN输出的所有候选框输入到Roi Pooling层，提取收集proposal,并计算出固定大小7×7的proposal feature maps,送入全连接层进行目标分类与坐标回归。

二、R-CNN、Fast R-CNN、Faster R-CNN的对照

2.1 R-CNN

2.1.1 R-CNN的检测步骤

• 输入一张待检测图像；
• 区域推荐（候选区域）：常见的方法有selective search和edge
  boxes,通过选择性搜索算法对输入图像产生1000~2000个候选边框，但形状和大小是不相同的，这些框之间是可以互相重叠互相包含的；利用图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口的情况下保持较高的召回率(Recall)；
• 特征提取：利用卷积神经网络(CNN)对每一个候选边框提取深层特征；
• 分类：利用线性支持向量机(SVM)对卷积神经网络提取的深层特征进行分类；
• 去除重叠：将非极大值抑制方法应用于重叠的候选边框，挑选出支持向量机得分较高的边框(bounding box)。

2.1.2 R-CNN的主要缺点

• 重复计算：计算了候选框之间的重叠部分；（在Fast R-CNN中改良；）
• 性能瓶颈：所有的候选框会被放缩到固定的尺寸，这将导致图像的畸变，使得模型的性能很难有进一步的提升；（在Fast R-CNN中通过RoI
  Pooling改良；）
• 步骤繁琐，训练过程分为多阶段；（在Fast R-CNN中通过Softmax替代SVM进行分类改良；）
• 训练占用内存大，目标检测速度慢。

2.2 Fast R-CNN

2.2.1 Fast R-CNN的检测步骤

• 输入一张待检测图像；
• 提取候选区域：利用Selective Search算法在输入图像中提取出候选区域，并把这些候选区域按照空间位置关系映射到最后的卷积特征层；
• 区域归一化：对于卷积特征层上的每个候选区域进行RoI Pooling操作，得到固定维度的特征；
• 分类与回归：将提取到的特征输入全连接层，然后用Softmax进行分类，对候选区域的位置进行回归。

2.2.2 Fast R-CNN的缺点

• 仍然未能实现端到端(end-to-end)的目标检测，比如候选区域的获得不能同步进行;（在Faster
  R-CNN中通过RPN替代SS算法进行改良；）
• 速度上还有提升空间。

2.3 R-CNN、Fast R-CNN、Faster R-CNN的比较

三、Faster R-CNN网络结构简介

Faster R-CNN的结构可分为四个部分：

• 特征提取网络CNN；
• 区域建议网络RPN
• Roi Pooling：这一步主要是将ROI映射到特征图上，然后进行分块，再对每个块做maxpooling，主要作用是将不同大小的ROI统一成固定长度的输出
• 分类和回归

四、Faster R-CNN网络结构详解

4.1 特征提取网络

这部分和普通的CNN网络中特征提取结构相同，可使用VGG、ResNet、Inception等各种常见的结构(只使用全连接层之前的部分)对输入图片提取特征，最后输出feature map。

4.2 区域建议网络RPN

4.2.1 RPN概述

无论是SSP net 还是 Fast R-CNN网络结构，区域候选环节都采用了Selective search算法，以现在的眼光去比喻类似于造好了一辆汽车(CNN)但是在用马(selective search)拉着跑，因为selective search的计算太慢了，想让物体检测达到实时，就得改造候选框提取的方法。

Faster CNN要做的改进就是统一区域候选提取、分类和边界框回归，实现检测算法的End-to-End。RPN在Faster RCNN这个结构中专门用来提取候选框，相比于Selective Search算法RPN耗时少，并且便于结合到Fast RCNN中成为一个整体。

RPN的引入真正意义上把物体检测整个流程融入到一个神经网络中， Faster RCNN = RPN + Fast RCNN 。

4.2.2 RPN实现的具体方法

RPN网络是一个全卷积网络，它的核心思想就是使用”滑动窗口+anchor机制”来生成候选框。具体方法是在前面卷积层卷积得到的4060的特征图上，利用滑动窗口的方式，也就是3×3的卷积核在每个滑动窗口中心点构造9个不同长宽比不同尺度的候选框(4060*9≈2万个)，并将其以16的映射比例映射到rescale图像中框出来，舍弃超出边界的预proposal，再根据每个区域的softmax score进行从大到小排序，提取前2000个预proposal，对这个2000个进行非极大值抑制，最后将得到的再次进行排序，输出300个proposal给Faster RCNN进行预测，此时Faster RCNN的预测类别不包括背景，因为RPN输出默认为前景。

RPN是一个卷积层（256维）+ relu激活函数 + 左右两个层的（clc layer 和 reg layer）的小网络。RPN在feature map上用3×3的滑动窗口进行卷积，卷积步长stride=1，填充padding=2得到可以被9个anchor区域共享的256d特征。生成anchor区域具体操作是在对特征图卷积的同时，以每个卷积核的中心点为anchors的中心，为每个特征点生成长宽比为[1:1,1:2,2:1]的共9个矩形，输入RPN分类器RPN回归器。如下图所示：

也就是只要一次前向操作就同时预测k个区域的前景、背景概率（1个区域2个scores，所以得到2k个scores）以及bounding box（1个区域4个coordinates，所以是4k个coordinates），最终每一个bbox都有一个6维的向量，前2维用来判断该框内是否有物体，后面4个维度用来判断该bbox里物体的坐标。另外，在训练RPN筛选候选框时，设定跟任意ground truth(GT) IOU的阈值为0.7，大于0.7的anchor标记为前景（正标签），小于0.3的标定为背景（负样本），然后在分类层，损失函数用softmax loss，RPN只对有标签的区域计算loss，非正非负的区域不算损失，对训练没有作用。

而且，在训练的过程中，FasterRCNN采用交替训练的方式，用初始化的权值训练RPN，再用RPN提取的候选区域训练卷积网络，更新权值。

4.2.3 Roi pooling

Roi Pooling在介绍Fast R-CNN的博客中做过比较具体的介绍，它在此处的具体作用主要有两个：

• 从feature maps中“抠出”proposals（大小、位置由RPN生成）区域
• 对大小不一致的输入(这里是卷积层特征图)执行最大池化，并生成固定大小的小功能映射

为什么要pooling成固定长度的输出呢？RPN网络提取出的proposal大小是会变化的，而分类用的全连接层输入必须固定长度，所以需要一个从可变尺寸变换成固定尺寸输入的过程。在较早的R-CNN结构中都通过对proposal进行缩放或剪裁到固定尺寸来实现，缩放和剪裁的副作用就是原始的输入发生变形或信息量丢失，以致分类不准确，而ROI Pooling就完全规避掉了这个问题，proposal能完整的池化成全连接的输入，而且没有变形，长度也固定。

Roi Pooling的具体操作为：

• roi映射，首先将roi映射到特征图的相应位置
• 对映射后的roi分块
• 对每个块进行max pooling操作
• 假设此时的特征图大小为88，roi投影后的对应位置为（0，3）（7，8），需要再将该区域划分(2×2)(2\times 2)(2×2)sections,注意这里的22是根据要求输出的大小确定的，然后对每个section做Max Pooling操作，这样就得到了固定大小的输出。

五、Faster R-CNN网络的训练过程

Faster R-CNN Faster的训练方法主要分为拆分训练和端到端训练。

5.1 拆分训练

先训练RPN，从所有anchor box中随机挑选256个，保持正样本负样本比例1：1(正样本不够时用负样本补)；再从RPN的输出中，降序排列所有anchor box的前景置信度，挑选top-N个候选框叫做proposal, 做分类训练。

整个网络的具体训练过程有四步：

• 使用ImageNet的预训练模型，初始化RPN，单独训练RPN网络
• 使用ImageNet的预训练模型初始化Fast Rcnn，同时将第一步RPN的输出作为Faster R-CNN的输入
• 使用第二步的模型再次训练RPN网络，要求固定住公共网络部分，只更新RPN的参数
• 使用第三步的结果微调Faster R-CNN，同样是固定公共网络不变，只更新检测网络

5.2 端到端训练

• 理论上Faster R-CNN网络可以做端到端的训练，但是由于anchor box提取的候选框中负样本占大多数，有的图中负样本和正样本的比例可以是1000：1,导致直接训练难度很大。真正的端到端的目标检测网络还是有的，例如one-stage中代表的YOLO、SSD算法，速度很快，但是精度差一些。
• Faster R-CNN最核心的工作在于在提取特征的过程中完成候选框提取的操作，大大加快了物体检测的速度。