论文源址：https://arxiv.org/abs/1506.01497
tensorflow代码：https://github.com/endernewton/tf-faster-rcnn
室友对Faster R-CNN的解读：https://www.cnblogs.com/pursuiting/
摘要
目标检测依赖于区域proposals算法对目标的位置进行预测。SPPnet和Fast R-CNN已经减少了检测网络的运行时间。然而proposals的计算仍是一个重要的瓶颈。本文提出了一个Region Proposal Network（RPN），在检测网路中共享卷积网络得到的整张图片的feature map。RPN是全卷积网络可以同时预测目标物的边界和每个位置出目标的分数。RPN是进行端到端的训练用于产生高质量的候选区域。后送入Fast R-CNN进行检测。该文通过共享卷积将RPN与Fast R-CNN进行融合为一个整体。基于注意力机制，RPN指明网络需要注意观察的地方。
介绍
目标检测的先进方法包含一系列的区域框，和基于区域的卷积网络。由于proposals之间共享卷积的操作，使基于区域的卷积方法减少大量的计算资源。Fast R-CNN在忽略region proposal上的时间消耗外，可以近似实时的速率进行检测。proposals的计算是测试时占用大部分时间的主要部分。
候选区域的生成主要依赖于较简单的特征和推理方法。Selective Search基于较低级的特征融合超像素的方式生成proposals。但SS的速度仍然很慢，在CPU上每张图需要2s时间，EdgeBoxes能够生成较高质量的proposal，同时，速度上也有一定的保证，处理每张图的时间为0.2s。然而，region proposal的生成仍消耗与检测网络相同的时间。
该文在生成候选区域方法上做了一些改进，用深度卷积网络来获得proposals。可以大幅度提升计算时间。RPN通过共享卷积使测试时，时间的占用十分少。基于区域的检测器可以被卷积特征及逆行利用，用于产生region proposals。在卷积网络的顶部通过增加一些额外的卷积层构建RPN用于同时回归区域的边界和在预测该区域类别的分数。因此RPN为全卷积网络，同时可以进行端到端的训练用于产生检测区域框。
RPN通过一个较大范围的尺寸与比例系数来高效的预测候选区域。以前的方法是使用图像金字塔，和不同大小的卷积核进行处理，本文提出了不同尺寸与比例系数组合得到的多个anchor 用于生成proposal作为参考，提高了测试的速度。如下图，
为了将RPN与Fast R-CNN融合在一起，本文，将proposals固定，交替的微调区域候选框生成任务和目标检测部分的网络。这样可以快速收敛，同时，卷积特征在两个任务之间共享可以实现网络的整合。
相关工作
目标候选区域生成的方法有：基于像素融合的SS,CPMC,MCG，基于滑动窗的EdgeBox等。目标区域框的被当作模型外的一部分，像基于SS的R-CNN和Fast R-CNN等。
基于深度网络的目标检测：R-CNN训练卷积网络用于对proposals进行前景/背景的分类。R-CNN主要作为一个分类器。并不进行目标框的预测，除了通过框的回归进行增强。其准确率主要依赖于proposal模型的表现。OverFeat基于全连接层对单个目标进行框坐标的预测。全连接层后接卷积层用于目标不同类别的确定。MultiBox方法从网络中生成区域候选框，该网络中的全连接层同时预测多个类别不确定的框。得到的类别不确定的框作为R-CNN的proposals。相比本文的全卷积机制，MultiBox网络应用在一个固定尺寸的输入图片上。同时，MultiBox在proposal和检测网络之间并未共享特征。
Faster R-CNN
该模型主要包含两个部分：（1）用于生成区域候选框的深度全卷积网络（2）Fast R-CNN用于作为检测器。 模型为一个单独一个整体用于目标检测。结构如下。
region proposal networks
RPN将任意尺寸大小的图片作为输入，输出一系列的矩形目标框，每一个框都有一个类别的分数。该文使用一个全卷积网络实现上述操作。由于要想与fast rcnn实现共享计算，假定两个模型有一个公共的卷积层。
为了生成区域候选框，在卷积层最后一层feature map上滑动一个小的网络。该小型网络将输入的卷积特征映射到一个nxn的空间窗口作为输入。每一个滑动窗口都映射为一个更低维的特征。得到的特征送入两个分支中，一个用于框分类，另一个用于框回归。mi-ni 网络执行滑动窗口形式，所有空间位置都共享全连接层。该结构可以看作是一个nxn的卷积网络后接两个1x1的卷积层。
Anchors
在滑动窗的每个位置，对多个候选区域同时进行预测，对于每个位置处，最大概率为目标proposal的个数记作k。因此，该部分模型输出为4xk用于编码k个框的坐标，和2xk个分数值用于表示k个框，前景/背景的概率。将kproposal叫做anchors。锚点处于滑动窗口的中心，并按照一定的尺寸及比例系数进行缩放。本文默认采用三种尺寸和比例系数，最终得到9个anchors在每个滑动位置处。对于一个大小为WxH的feature map，大约产生WHk个锚。
锚的平移不变性
锚的一个重要属性是平移不变性。如果图片中的物体发生了偏移，则proposal应该也进行平移，而相同的函数可以在预测出任意位置的proposal。
而Multibox是基于k-means来生成800个anchors，不具有平移不变性。同时，该方法可以减少大量的参数。并在小数据集上较少风险会产生过拟合。
多尺寸的锚作为回归准则
锚可以解决多尺寸问题（通过尺寸与比例系数）。本文基于不同尺寸的锚进行分类与回归操作。输入图片，与卷积核的尺寸都是固定的。
损失函数
针对RPN的训练，对每个anchor进行两类标记，前景/背景（二分类）。按两种方式对proposal进行正类标记：
（1）将与一个ground Truth IOU值最大的proposal/proposals标记为正类。
（2）一个anchor与任意IOU值高于0.7的标记为正类。
值得注意的是，一个ground truth 可以对用多个anchors。上述第二种方式无法有效的确定正样本。采用第一种方式进行标记，在少数情况下，第二种方式无法得到正样本。将与任意ground truth IOU的值低于0.3的标记为负样本。其中，既不是正样本，也不是负样本的proposal不考虑在训练目标范围内。
对于单张图片的损失函数定义如下：i代表一个batch中一个anchor的序列，pi代表预测为目标的概率，t_i为预测框的坐标，而t*代表positivate anchor的ground truth 框的坐标。
分类采样log损失，对于回归损失，采用L1平滑处理，按如下定义，通过设置k个权重不共享的锚，虽然，特征图相同，但可以预测出不同尺寸的bounding box。
RPN网络的训练
RPN可以基于反向传播与SGD进行端到端的训练。每张图包含许多正负样本。因此会训练所有样本，但由于负样本的数量占大多数，因此，会导致结果偏向于负样本。对一张图片随机采样256个样本，如果，正样本个数小于128个，则会用少量的负样本进行填充。
RPN与Fast R-CNN之间的共享特征
该文讨论了共享特征训练的三种方式：（1）交替训练：首先训练RPN，然后，用得到的proposals训练fast R-CNN，通过fast R-CNN调试后的网络初始化RPN网络。整个过程重复进行，这是本文使用的训练方法。（2）近似联合训练：此方法中，RPN与Fast R-CNN合为一个网络。训练时，每次SGD迭代，前向过程生成proposal，在训练fast r-cnn时这些proposals可以被看作是固定的。反向传播过程正常执行，当经过共享卷积层时，对RPN 与Fast R-CNN的损失函数正常进行。但此方法的反向传播忽略了框坐标的优化。因此是近似的联合训练。（3）第三种方式是非近似的联合训练，将RPN预测框坐标的损失函数也要及进行考虑，但需要增加新的pooling 层和处理方法，超出本文的讨论范围。
整体训练过程分为四步：
I.训练RPN网络，用ImageNet 预训练模型进行初始化，并用proposal进行迭代训练。
II.基于Fast R-CNN的检测网络的训练，使用第一步RPN得到的proposals进行训练。仍用ImageNet的预训练模型进行初始化。目前，二者并未进行共享卷积的计算。
III.用检测网络初始化RPN网络训练，将共享卷积层固定，只对RPN中的层进行微调。
IV固定共享卷积层，对只属于Fast R-CNN的层进行微调。
存在一些彼此高度重复的RPN框，基于类别分数采用NMS处理。将NMS的IOU设置为0.7，每张图得到2000多个proposals。使用NMS并未降低准确率，同时会减少proposal的数量。
实验
Reference
[1] K. He, X. Zhang, S. Ren, and J. Sun, “Spatial pyramid pooling in deep convolutional networks for visual recognition,” in European Conference on Computer Vision (ECCV), 2014.
[2] R. Girshick, “Fast R-CNN,” in IEEE International Conference on Computer Vision (ICCV), 2015.