Faster RCNN在Fast RCNN上更进一步,将Region Proposal也用神经网络来做,如果说Fast RCNN的最大贡献是ROI pooling layer和Multi task,那么RPN(Region Proposal Networks)就是Faster RCNN的最大亮点了。使用RPN产生的proposals比selective search要少很多(300vs2000),因此也一定程度上减少了后面detection的计算量。
Introduction
Fast RCNN之后,detection的计算瓶颈就卡在了Region Proposal上。一个重要原因就是,Region Proposal是用CPU算的,但是直接将其用GPU实现一遍也有问题,许多提取规则其实是可以重用的,因此有必要找一种能够共享算力的GPU版Region Proposal。
Faster RCNN则是专门训练了一个卷积神经网络来回归bounding box,从而代替region proposal。这个网络完全由卷积操作实现,并且引入anchor以应对对象形状尺寸各异的问题,测试速度与Fast RCNN相比速度极快。
这个网络叫做region proposal layer.
RPN
训练数据就是图片和bounding box
- 输入任意尺寸的图片,缩放到800×600
- 输入到一个基础卷积神经网络,比如ZF或者VGG,以ZF为例,得到一个51×39的feature map
- 用一个小的网络在feature map上滑窗,算每个3x3窗口的feature,输出一个长度为256的向量,这个操作很自然就是用3×3卷积来实现,于是可以得到一个51×39×256的feature map
每个256向量跟feature map上一个3×3窗口对应,也跟800×600的原图上9个区域相对应,具体讲一下这个9个区域:
- 卷积后feature map上的每个3x3的区域跟原图上的多个区域是对应的,我们可以逆运算得到,
- 但是如果把所有区域都考虑进来,区域就太多了,
- 所以我们让每个3x3的区域(图中橙色方格)和原图上九个区域相对应,这九个区域的中心(灰色方格)就是3x3对应原图区域的中心
九个区域有九种尺寸分别是
- 这九个区域我们也成为9个anchor,或者9个reference box
如此,每个特征就能和原图上形状和尺寸各异的区域对应起来了
- 回到刚刚的256向量,将这个向量输入一个FC,得到2x9个输出,代表9个anchor为前景还是背景的概率
- 学习用的标签设置:如果anchor与真实bounding box重叠率大于0.7,就当做是前景,如果小于0.3,就当做背景
- 将256向量输入另一个FC,得到4x9个输出,代表9个anchor的修正后的位置信息(x,y,w,h)
学习用的标签就是真实的bounding box,用的还是之s前Faster RCNN的bounding box regression
- 于是我们会得到图片上51x39x9≈20K个anchor为前景的概率,以及修正后的位置
上面这个过程可以完全独立地训练,得到一个很好的Region Proposal Network
理论上我们可以用上面这个流程去训练RPN,但训练RPN的时候,一个batch会直接跑20K个anchor开销太大了。
- 因此每个batch是采一张图里的256个anchor来训练全连接层和卷积层;
- 这256个anchor里正负样本比例为1:1,正样本128个,负样本128个,
- 如果正样本不足128个,用负样本填充,这也意味着并非所有的背景anchor都会拿来训练RPN,因为前景的anchor会远少于背景的anchor,丢掉一些背景anchor才能保证样本平衡,丢背景anchor的时候
- 具体实现上,先算所有anchor,再算所有anchor与bounding box的重叠率,然后选择batch中的256个anchor,参与训练。同一张图会多次参与训练,直到图中的正anchor用完。
因此最终的一个mini batch的训练损失函数为:
其中,
- p是一个batch中的多个anchor属于前景/后景的预测概率向量,t是一个batch中正anchor对应的bounding box位置向量
- L是softmax二分类损失
- L跟Fast RCNN中的bounding box regression loss一样,乘一个p*,意味着只有前景计算bounding box regression loss
- 论文中说N为256,也就是mini-batch size,N约为256*9=2304(论文中说约等于2400),这意味着一对p对应9个t,这种对应关系也体现在全连接层的输出个数上,由于两个task输出数量差别比较大,所以要做一下归一化。
- 先选256个anchor,
- 然后找它们对应的256个slide window,
- 然后再算这256个slide window对应的256×9个anchor的loss,每个slide window对应一个256特征,有一个L,同时对应9个anchor,有9个L
论文这里讲得超级混乱:
Proposal layer
其实这也可以算是RPN的一部分,不过这部分不需要训练,所以单独拉出来讲
- 接下来我们会进入一个proposal layer,根据前面得到的这些信息,挑选region给后面的fast rcnn训练
- 图片输入RPN后,我们手头的信息:anchor,anchor score,anchor location to fix
- 用全连接层的位置修正结果修正anchor位置
- 将修正后的anchor按照前景概率从高到底排序,取前6000个
- 边缘的anchor可能超出原图的范围,将严重超出边缘的anchor过滤掉
- 对anchor做非极大抑制,跟RCNN一样的操作
- 再次将剩下的anchor按照anchor score从高到低排序(仍然可能有背景anchor的),取前300个作为proposals输出,如果不足300个就…也没啥关系,比如只有100个就100个来用,其实不足300个的情况很少的,你想Selective Search都有2000个。
Fast RCNN
接下来就是按照Fast RCNN的模式来训练了,我们可以为每张图前向传播从proposal_layer出来得到300个proposals,然后
- 取一张图的128个proposal作为样本,一张图可以取多次,直到proposal用完
- 喂给Fast RCNN做分类和bounding box回归,这里跟RPN很像,但又有所不同,
- BB regressor:拟合proposal和bounding box,而非拟合anchor和bounding box
- Classifier:Object多分类,而非前景背景二分类
迭代训练
RPN和Fast RCNN其实是很像的,因此可以一定程度上共享初始权重,实际训练顺序如下(MATLAB版):
- 先用ImageNet pretrain ZF或VGG
- 训练RPN
- 用RPN得到的proposal去训练Fast RCNN
- 用Fast RCNN训练得到的网络去初始化RPN
- 冻结RPN与Fast RCNN共享的卷积层,Fine tune RPN
- 冻结RPN与Fast RCNN共享的卷积层,Fine tune Fast RCNN
论文中还简单讲了一下另外两种方法:
- 将整个网络合起来一块训练,而不分步,但由于一开始训练时RPN还不稳定,所以训练Fast RCNN用的proposal是固定的anchor,最后效果差不多,训练速度也快。
- 整个网络合起来一起训练,不分步,训练Fast RCNN用的proposals是RPN修正后的anchor,但这种动态的proposal数量不好处理,用的是一种RoI warping layer来解决,这又是另一篇论文的东西了。
SUMMARY
网络结构和训练过程都介绍完了,实验效果也是依样画葫芦,就不再介绍了,整体来说,Faster RCNN这篇论文写得很乱,很多重要的细节都要去看代码才能知道是怎么回事,得亏是效果好才能中NIPS。。