图像理解之物体检测object detection，模型rcnn/fastrcnn/fasterrcnn原理及概念
A,https://www.cnblogs.com/zhengzhe/p/7783270.html
?
RCNN選擇性搜索（Selective Search）RCNN選擇性搜索（Selective Search）
?
基于：
1）圖片大小
2）顏色
3）紋理
4）附件
?
?
算法一：分組分類算法
輸入：（圖層顏色）圖片
輸出：對象位置假設(shè)集L
?
Obtain initial regions R = {r1,··· ,rn} using [13]
Initialise similarity set S = 空集
foreach Neighbouring region pair (ri,rj) do? ? ? ? //遍歷所有臨近的像素對
Calculate similarity s(ri,rj)? ? ? ? ? ?? //計算所有像素對之間的相似度
S= S∪s(ri,rj) //把相應(yīng)的相似度保存在集合S中
?
while S≠空集 do
Get highest similarity s(ri,rj) = max(S) //從集合S中取出相似度最高的像素對
Merge corresponding regions rt = ri ∪rj //把兩個像素進行合并
Remove similarities regarding ri : S = S \ s(ri,r?) //從集合S中除去和ri有關(guān)的相似度
Remove similarities regarding rj : S = S \ s(r?,rj) //從集合S中除去和rj有關(guān)的相似度
Calculate similarity set St between rt and its neighbours //計算rt和臨近像素點的相似度
S = S∪St //將相似度存入集合S中
R = R∪rt //將rt存入集合R中
?
Extract object location boxes L from all regions in R
?
?
優(yōu)先合并以下四種區(qū)域：?
- 顏色（顏色直方圖）相近的?
- 紋理（梯度直方圖）相近的?
- 合并后總面積小的?
- 合并后，總面積在其BBOX中所占比例大的
第三條，保證合并操作的尺度較為均勻，避免一個大區(qū)域陸續(xù)“吃掉”其他小區(qū)域。（Get highest similarity s(ri,rj) = max(S)通過此處實現(xiàn)）
例：設(shè)有區(qū)域a-b-c-d-e-f-g-h。較好的合并方式是：ab-cd-ef-gh -> abcd-efgh -> abcdefgh。?
不好的合并方法是：ab-c-d-e-f-g-h ->abcd-e-f-g-h ->abcdef-gh -> abcdefgh。
?
第四條，保證合并后形狀規(guī)則。
例：左圖適于合并，右圖不適于合并。
上述四條規(guī)則只涉及區(qū)域的顏色直方圖、紋理直方圖、面積和位置。合并后的區(qū)域特征可以直接由子區(qū)域特征計算而來，速度較快。
?
?
B,https://www.cnblogs.com/dudumiaomiao/p/6560841.html
R-CNN --> FAST-RCNN --> FASTER-RCNN
?
R-CNN:
(1)輸入測試圖像；
(2)利用selective search 算法在圖像中從上到下提取2000個左右的Region Proposal；
(3)將每個Region Proposal縮放(warp)成227*227的大小并輸入到CNN，將CNN的fc7層的輸出作為特征；
(4)將每個Region Proposal提取的CNN特征輸入到SVM進行分類；
(5)對于SVM分好類的Region Proposal做邊框回歸，用Bounding box回歸值校正原來的建議窗口，生成預(yù)測窗口坐標(biāo).
缺陷:
(1)???? 訓(xùn)練分為多個階段，步驟繁瑣：微調(diào)網(wǎng)絡(luò)+訓(xùn)練SVM+訓(xùn)練邊框回歸器；
(2)???? 訓(xùn)練耗時，占用磁盤空間大；5000張圖像產(chǎn)生幾百G的特征文件；
(3)???? 速度慢：使用GPU，VGG16模型處理一張圖像需要47s；
(4)???? 測試速度慢：每個候選區(qū)域需要運行整個前向CNN計算；
(5)???? SVM和回歸是事后操作，在SVM和回歸過程中CNN特征沒有被學(xué)習(xí)更新.
?
FAST-RCNN:
(1)輸入測試圖像；
(2)利用selective search 算法在圖像中從上到下提取2000個左右的建議窗口(Region Proposal)；
(3)將整張圖片輸入CNN，進行特征提取；
(4)把建議窗口映射到CNN的最后一層卷積feature map上；
(5)通過RoI pooling層使每個建議窗口生成固定尺寸的feature map；
(6)利用Softmax Loss(探測分類概率) 和Smooth L1 Loss(探測邊框回歸)對分類概率和邊框回歸(Bounding box regression)聯(lián)合訓(xùn)練.
?
相比R-CNN，主要兩處不同:
(1)最后一層卷積層后加了一個ROI pooling layer；
(2)損失函數(shù)使用了多任務(wù)損失函數(shù)(multi-task loss)，將邊框回歸直接加入到CNN網(wǎng)絡(luò)中訓(xùn)練
改進:
(1)???? 測試時速度慢：R-CNN把一張圖像分解成大量的建議框，每個建議框拉伸形成的圖像都會單獨通過CNN提取特征.實際上這些建議框之間大量重疊，特征值之間完全可以共享，造成了運算能力的浪費.
FAST-RCNN將整張圖像歸一化后直接送入CNN，在最后的卷積層輸出的feature map上，加入建議框信息，使得在此之前的CNN運算得以共享.
(2)???? 訓(xùn)練時速度慢：R-CNN在訓(xùn)練時，是在采用SVM分類之前，把通過CNN提取的特征存儲在硬盤上.這種方法造成了訓(xùn)練性能低下，因為在硬盤上大量的讀寫數(shù)據(jù)會造成訓(xùn)練速度緩慢.
FAST-RCNN在訓(xùn)練時，只需要將一張圖像送入網(wǎng)絡(luò)，每張圖像一次性地提取CNN特征和建議區(qū)域，訓(xùn)練數(shù)據(jù)在GPU內(nèi)存里直接進Loss層，這樣候選區(qū)域的前幾層特征不需要再重復(fù)計算且不再需要把大量數(shù)據(jù)存儲在硬盤上.
(3)???? 訓(xùn)練所需空間大：R-CNN中獨立的SVM分類器和回歸器需要大量特征作為訓(xùn)練樣本，需要大量的硬盤空間.FAST-RCNN把類別判斷和位置回歸統(tǒng)一用深度網(wǎng)絡(luò)實現(xiàn)，不再需要額外存儲.
?
FASTER -RCNN:
(1)輸入測試圖像；
(2)將整張圖片輸入CNN，進行特征提取；
(3)用RPN生成建議窗口(proposals)，每張圖片生成300個建議窗口；
(4)把建議窗口映射到CNN的最后一層卷積feature map上；
(5)通過RoI pooling層使每個RoI生成固定尺寸的feature map；
(6)利用Softmax Loss(探測分類概率) 和Smooth L1 Loss(探測邊框回歸)對分類概率和邊框回歸(Bounding box regression)聯(lián)合訓(xùn)練.
?
相比FASTER-RCNN，主要兩處不同:
(1)使用RPN(Region Proposal Network)代替原來的Selective Search方法產(chǎn)生建議窗口；
(2)產(chǎn)生建議窗口的CNN和目標(biāo)檢測的CNN共享
?
改進:
(1)???? 如何高效快速產(chǎn)生建議框？
FASTER-RCNN創(chuàng)造性地采用卷積網(wǎng)絡(luò)自行產(chǎn)生建議框，并且和目標(biāo)檢測網(wǎng)絡(luò)共享卷積網(wǎng)絡(luò)，使得建議框數(shù)目從原有的約2000個減少為300個，且建議框的質(zhì)量也有本質(zhì)的提高.
?
概念解釋:
1、常用的Region Proposal有：
-Selective Search
-Edge Boxes
?
2、softmax-loss
softmax-loss 層和 softmax 層計算大致是相同的. softmax 是一個分類器，計算的是類別的概率（Likelihood），是 Logistic Regression 的一種推廣. Logistic Regression 只能用于二分類，
而 softmax 可以用于多分類.
softmax 與 softmax-loss 的區(qū)別：
softmax 計算公式：
關(guān)于兩者的區(qū)別更加具體的介紹，可參考： softmax vs. softmax-loss
用戶可能最終目的就是得到各個類別的概率似然值，這個時候就只需要一個 Softmax 層，而不一定要進行 softmax-Loss 操作；或者是用戶有通過其他什么方式已經(jīng)得到了某種概率似然值，然后要做最大似然估計，此時則只需要后面的 softmax-Loss 而不需要前面的 Softmax操作.因此提供兩個不同的 Layer 結(jié)構(gòu)比只提供一個合在一起的 Softmax-Loss Layer 要靈活許多.不管是 softmax layer 還是 softmax-loss layer,都是沒有參數(shù)的，只是層類型不同而已
softmax-loss layer：輸出 loss 值
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip1"
bottom: "label"
top: "loss"
}
softmax layer: 輸出似然值
layers {
bottom: "cls3_fc"
top: "prob"
name: "prob"
type: “Softmax"
}
?
3、Selective Search
這個策略其實是借助了層次聚類的思想(可以搜索了解一下"層次聚類算法"),將層次聚類的思想應(yīng)用到區(qū)域的合并上面;
總體思路:
l? 假設(shè)現(xiàn)在圖像上有n個預(yù)分割的區(qū)域(Efficient Graph-Based Image Segmentation),表示為R={R1, R2, ..., Rn},
l? 計算每個region與它相鄰region(注意是相鄰的區(qū)域)的相似度,這樣會得到一個n*n的相似度矩陣(同一個區(qū)域之間和一個區(qū)域與不相鄰區(qū)域之間的相似度可設(shè)為NaN),從矩陣中找出最大相似度值對應(yīng)的兩個區(qū)域,將這兩個區(qū)域合二為一,這時候圖像上還剩下n-1個區(qū)域;
l? 重復(fù)上面的過程(只需要計算新的區(qū)域與它相鄰區(qū)域的新相似度,其他的不用重復(fù)計算),重復(fù)一次,區(qū)域的總數(shù)目就少1,知道最后所有的區(qū)域都合并稱為了同一個區(qū)域(即此過程進行了n-1次,區(qū)域總數(shù)目最后變成了1).算法的流程圖如下圖所示:
?
?
4、SPP-NET
SSP-Net：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
? ?先看一下R-CNN為什么檢測速度這么慢，一張圖都需要47s！仔細(xì)看下R-CNN框架發(fā)現(xiàn)，對圖像提完Region Proposal（2000個左右）之后將每個Proposal當(dāng)成一張圖像進行后續(xù)處理(CNN提特征+SVM分類)，實際上對一張圖像進行了2000次提特征和分類的過程！這2000個Region Proposal不都是圖像的一部分嗎，那么我們完全可以對圖像提一次卷積層特征，然后只需要將Region Proposal在原圖的位置映射到卷積層特征圖上，這樣對于一張圖像我們只需要提一次卷積層特征，然后將每個Region Proposal的卷積層特征輸入到全連接層做后續(xù)操作.（對于CNN來說，大部分運算都耗在卷積操作上，這樣做可以節(jié)省大量時間）.
? ?現(xiàn)在的問題是每個Region Proposal的尺度不一樣，直接這樣輸入全連接層肯定是不行的，因為全連接層輸入必須是固定的長度.SPP-NET恰好可以解決這個問題.
? ? ?
? ?由于傳統(tǒng)的CNN限制了輸入必須固定大小（比如AlexNet是224x224），所以在實際使用中往往需要對原圖片進行crop或者warp的操作：
?? - crop：截取原圖片的一個固定大小的patch
? ?- warp：將原圖片的ROI縮放到一個固定大小的patch
? ?無論是crop還是warp，都無法保證在不失真的情況下將圖片傳入到CNN當(dāng)中：
? ?- crop：物體可能會產(chǎn)生截斷，尤其是長寬比大的圖片.
? ?- warp：物體被拉伸，失去“原形”，尤其是長寬比大的圖片
? ?SPP為的就是解決上述的問題，做到的效果為：不管輸入的圖片是什么尺度，都能夠正確的傳入網(wǎng)絡(luò).
? ?具體思路為：CNN的卷積層是可以處理任意尺度的輸入的，只是在全連接層處有限制尺度——換句話說，如果找到一個方法，在全連接層之前將其輸入限制到等長，那么就解決了這個問題.
? ?具體方案如下圖所示：
? ?
如果原圖輸入是224x224，對于conv5出來后的輸出，是13x13x256的，可以理解成有256個這樣的filter，每個filter對應(yīng)一張13x13的activation map.如果像上圖那樣將activation?map pooling成4x4 2x2 1x1三張子圖，做max pooling后，出來的特征就是固定長度的(16+4+1)x256那么多的維度了.如果原圖的輸入不是224x224，出來的特征依然是(16+4+1)x256；直覺地說，可以理解成將原來固定大小為(3x3)窗口的pool5改成了自適應(yīng)窗口大小，窗口的大小和activation map成比例，保證了經(jīng)過pooling后出來的feature的長度是一致的.
?
5、Bounding box regression
R-CNN中的bounding box回歸
下面先介紹R-CNN和Fast R-CNN中所用到的邊框回歸方法.
(1)?? 什么是IOU?
(2)?? 為什么要做Bounding-box regression？?
?
如上圖所示，綠色的框為飛機的Ground Truth，紅色的框是提取的Region Proposal.那么即便紅色的框被分類器識別為飛機，但是由于紅色的框定位不準(zhǔn)(IoU<0.5)，那么這張圖相當(dāng)于沒有正確的檢測出飛機.如果我們能對紅色的框進行微調(diào)，使得經(jīng)過微調(diào)后的窗口跟Ground Truth更接近，這樣豈不是定位會更準(zhǔn)確.確實，Bounding-box regression 就是用來微調(diào)這個窗口的.
(3)?? 回歸/微調(diào)的對象是什么？?
(4)?? Bounding-box regression（邊框回歸）?
那么經(jīng)過何種變換才能從圖11中的窗口P變?yōu)榇翱谀?#xff1f;比較簡單的思路就是：?
?
注意：只有當(dāng)Proposal和Ground Truth比較接近時（線性問題），我們才能將其作為訓(xùn)練樣本訓(xùn)練我們的線性回歸模型，否則會導(dǎo)致訓(xùn)練的回歸模型不work（當(dāng)Proposal跟GT離得較遠(yuǎn)，就是復(fù)雜的非線性問題了，此時用線性回歸建模顯然不合理）.這個也是G-CNN: an Iterative Grid Based Object Detector多次迭代實現(xiàn)目標(biāo)準(zhǔn)確定位的關(guān)鍵.?
線性回歸就是給定輸入的特征向量X，學(xué)習(xí)一組參數(shù)W，使得經(jīng)過線性回歸后的值跟真實值Y(Ground Truth)非常接近.即.那么Bounding-box中我們的輸入以及輸出分別是什么呢？?
?????
? ? ? ? ? ? ? ? ? ? ?
6、Region Proposal Network
RPN的實現(xiàn)方式：在conv5-3的卷積feature map上用一個n*n的滑窗（論文中作者選用了n=3，即3*3的滑窗）生成一個長度為256（對應(yīng)于ZF網(wǎng)絡(luò)）或512（對應(yīng)于VGG網(wǎng)絡(luò)）維長度的全連接特征.然后在這個256維或512維的特征后產(chǎn)生兩個分支的全連接層：
(1)reg-layer,用于預(yù)測proposal的中心錨點對應(yīng)的proposal的坐標(biāo)x，y和寬高w，h；
(2)cls-layer，用于判定該proposal是前景還是背景.sliding window的處理方式保證reg-layer和cls-layer關(guān)聯(lián)了conv5-3的全部特征空間.事實上，作者用全連接層實現(xiàn)方式介紹RPN層實現(xiàn)容易幫助我們理解這一過程，但在實現(xiàn)時作者選用了卷積層實現(xiàn)全連接層的功能.
(3)個人理解：全連接層本來就是特殊的卷積層，如果產(chǎn)生256或512維的fc特征，事實上可以用Num_out=256或512, kernel_size=3*3, stride=1的卷積層實現(xiàn)conv5-3到第一個全連接特征的映射.然后再用兩個Num_out分別為2*9=18和4*9=36，kernel_size=1*1，stride=1的卷積層實現(xiàn)上一層特征到兩個分支cls層和reg層的特征映射.
(4)注意：這里2*9中的2指cls層的分類結(jié)果包括前后背景兩類，4*9的4表示一個Proposal的中心點坐標(biāo)x，y和寬高w，h四個參數(shù).采用卷積的方式實現(xiàn)全連接處理并不會減少參數(shù)的數(shù)量，但是使得輸入圖像的尺寸可以更加靈活.在RPN網(wǎng)絡(luò)中，我們需要重點理解其中的anchors概念，Loss fucntions計算方式和RPN層訓(xùn)練數(shù)據(jù)生成的具體細(xì)節(jié).
?
Anchors:字面上可以理解為錨點，位于之前提到的n*n的sliding window的中心處.對于一個sliding window,我們可以同時預(yù)測多個proposal，假定有k個.k個proposal即k個reference boxes，每一個reference box又可以用一個scale，一個aspect_ratio和sliding window中的錨點唯一確定.所以，我們在后面說一個anchor,你就理解成一個anchor box 或一個reference box.作者在論文中定義k=9，即3種scales和3種aspect_ratio確定出當(dāng)前sliding window位置處對應(yīng)的9個reference boxes， 4*k個reg-layer的輸出和2*k個cls-layer的score輸出.對于一幅W*H的feature map,對應(yīng)W*H*k個錨點.所有的錨點都具有尺度不變性.
Loss functions:
在計算Loss值之前，作者設(shè)置了anchors的標(biāo)定方法.正樣本標(biāo)定規(guī)則：
1)?? 如果Anchor對應(yīng)的reference box與ground truth的IoU值最大，標(biāo)記為正樣本；
2)?? 如果Anchor對應(yīng)的reference box與ground truth的IoU>0.7，標(biāo)記為正樣本.事實上，采用第2個規(guī)則基本上可以找到足夠的正樣本，但是對于一些極端情況，例如所有的Anchor對應(yīng)的reference box與groud truth的IoU不大于0.7,可以采用第一種規(guī)則生成.
3)?? 負(fù)樣本標(biāo)定規(guī)則：如果Anchor對應(yīng)的reference box與ground truth的IoU<0.3，標(biāo)記為負(fù)樣本.
4)?? 剩下的既不是正樣本也不是負(fù)樣本，不用于最終訓(xùn)練.
5)?? 訓(xùn)練RPN的Loss是有classification loss （即softmax loss）和regression loss （即L1 loss）按一定比重組成的.
計算softmax loss需要的是anchors對應(yīng)的groundtruth標(biāo)定結(jié)果和預(yù)測結(jié)果，計算regression loss需要三組信息：
?? i. ? ? 預(yù)測框，即RPN網(wǎng)絡(luò)預(yù)測出的proposal的中心位置坐標(biāo)x,y和寬高w,h；
?ii.????? 錨點reference box:
? ? ? ? 之前的9個錨點對應(yīng)9個不同scale和aspect_ratio的reference boxes，每一個reference boxes都有一個中心點位置坐標(biāo)x_a,y_a和寬高w_a,h_a；
iii. ?ground truth:標(biāo)定的框也對應(yīng)一個中心點位置坐標(biāo)x*,y*和寬高w*,h*.因此計算regression loss和總Loss方式如下：?
?
RPN訓(xùn)練設(shè)置：
(1)在訓(xùn)練RPN時，一個Mini-batch是由一幅圖像中任意選取的256個proposal組成的，其中正負(fù)樣本的比例為1：1.
(2)如果正樣本不足128，則多用一些負(fù)樣本以滿足有256個Proposal可以用于訓(xùn)練，反之亦然.
(3)訓(xùn)練RPN時，與VGG共有的層參數(shù)可以直接拷貝經(jīng)ImageNet訓(xùn)練得到的模型中的參數(shù)；剩下沒有的層參數(shù)用標(biāo)準(zhǔn)差=0.01的高斯分布初始化.
?
7、RoI Pooling
ROI pooling layer實際上是SPP-NET的一個精簡版，SPP-NET對每個proposal使用了不同大小的金字塔映射，而ROI pooling layer只需要下采樣到一個7x7的特征圖.對于VGG16網(wǎng)絡(luò)conv5_3有512個特征圖，這樣所有region proposal對應(yīng)了一個7*7*512維度的特征向量作為全連接層的輸入.
RoI Pooling就是實現(xiàn)從原圖區(qū)域映射到conv5區(qū)域最后pooling到固定大小的功能.
?
8、smooth L1 Loss
為了處理不可導(dǎo)的懲罰,Faster RCNN提出來的計算距離loss的smooth_L1_Loss.smooth L1近似理解見http://pages.cs.wisc.edu/~gfung/GeneralL1/L1_approx_bounds.pdf
?
C,https://www.cnblogs.com/wangyong/p/8513563.html
?
Faster RCNN 學(xué)習(xí)筆記
下面的介紹都是基于VGG16 的Faster RCNN網(wǎng)絡(luò)，各網(wǎng)絡(luò)的差異在于Conv layers層提取特征時有細(xì)微差異，至于后續(xù)的RPN層、Pooling層及全連接的分類和目標(biāo)定位基本相同.
?
一）、整體框架
?
我們先整體的介紹下上圖中各層主要的功能
1)、Conv layers提取特征圖：
作為一種CNN網(wǎng)絡(luò)目標(biāo)檢測方法，Faster RCNN首先使用一組基礎(chǔ)的conv+relu+pooling層提取input image的feature maps,該feature maps會用于后續(xù)的RPN層和全連接層
2)、RPN(Region Proposal Networks):
??? RPN網(wǎng)絡(luò)主要用于生成region proposals，首先生成一堆Anchor box，對其進行裁剪過濾后通過softmax判斷anchors屬于前景(foreground)或者后景(background)，即是物體or不是物體，所以這是一個二分類；同時，另一分支bounding box regression修正anchor box，形成較精確的proposal（注：這里的較精確是相對于后面全連接層的再一次box regression而言）
3)、Roi Pooling：
該層利用RPN生成的proposals和VGG16最后一層得到的feature map，得到固定大小的proposal feature map,進入到后面可利用全連接操作來進行目標(biāo)識別和定位
4)、Classifier：
??? 會將Roi Pooling層形成固定大小的feature map進行全連接操作，利用Softmax進行具體類別的分類，同時，利用L1 Loss完成bounding box regression回歸操作獲得物體的精確位置.
?
二)、網(wǎng)絡(luò)結(jié)構(gòu)
?
現(xiàn)在，通過上圖開始逐層分析
1)、Conv layers
Faster RCNN首先是支持輸入任意大小的圖片的，比如上圖中輸入的P*Q，進入網(wǎng)絡(luò)之前對圖片進行了規(guī)整化尺度的設(shè)定，如可設(shè)定圖像短邊不超過600，圖像長邊不超過1000，我們可以假定M*N=1000*600（如果圖片少于該尺寸，可以邊緣補0，即圖像會有黑色邊緣）
①?? 13個conv層：kernel_size=3,pad=1,stride=1;
卷積公式：
? ? ? ? ? ? ?所以，conv層不會改變圖片大小（即：輸入的圖片大小=輸出的圖片大小）
②?? 13個relu層：激活函數(shù)，不改變圖片大小
③?? 4個pooling層：kernel_size=2,stride=2;pooling層會讓輸出圖片是輸入圖片的1/2
? ? ? ?經(jīng)過Conv layers，圖片大小變成(M/16)*(N/16)，即：60*40(1000/16≈60,600/16≈40)；則，Feature Map就是60*40*512-d(注：VGG16是512-d,ZF是256-d)，表示特征圖的大小為60*40，數(shù)量為512
?
2)、RPN(Region Proposal Networks):
Feature Map進入RPN后，先經(jīng)過一次3*3的卷積，同樣，特征圖大小依然是60*40,數(shù)量512，這樣做的目的應(yīng)該是進一步集中特征信息，接著看到兩個全卷積,即kernel_size=1*1,p=0,stride=1;
?
如上圖中標(biāo)識：
①?? rpn_cls：60*40*512-d ⊕? 1*1*512*18 ==> 60*40*9*2?
? ? ? ? ?逐像素對其9個Anchor box進行二分類
②?? rpn_bbox：60*40*512-d ⊕? 1*1*512*36==>60*40*9*4
????????? 逐像素得到其9個Anchor box四個坐標(biāo)信息（其實是偏移量，后面介紹）
? 如下圖所示：
??
?(2.1)、Anchors的生成規(guī)則
? ? ??前面提到經(jīng)過Conv layers后，圖片大小變成了原來的1/16，令feat_stride=16，在生成Anchors時，我們先定義一個base_anchor，大小為16*16的box(因為特征圖(60*40)上的一個點，可以對應(yīng)到原圖（1000*600）上一個16*16大小的區(qū)域)，源碼中轉(zhuǎn)化為[0,0,15,15]的數(shù)組，參數(shù)ratios=[0.5,?1,?2]scales=[8, 16, 32]
? ?先看[0,0,15,15],面積保持不變，長、寬比分別為[0.5,?1,?2]是產(chǎn)生的Anchors box
?
如果經(jīng)過scales變化，即長、寬分別均為 (16*8=128)、(16*16=256)、(16*32=512)，對應(yīng)anchor box如圖
?
綜合以上兩種變換，最后生成9個Anchor box
?
? ?所以，最終base_anchor=[0,0,15,15]生成的9個Anchor box坐標(biāo)如下：
1 [[ -84. -40. 99. 55.] 2 [-176. -88. 191. 103.] 3 [-360. -184. 375. 199.] 4 [ -56. -56. 71. 71.] 5 [-120. -120. 135. 135.] 6 [-248. -248. 263. 263.] 7 [ -36. -80. 51. 95.] 8 [ -80. -168. 95. 183.] 9 [-168. -344. 183. 359.]]? ??特征圖大小為60*40，所以會一共生成60*40*9=21600個Anchor box
? 源碼中，通過width:(0~60)*16,height(0~40)*16建立shift偏移量數(shù)組，再和base_ancho基準(zhǔn)坐標(biāo)數(shù)組累加，得到特征圖上所有像素對應(yīng)的Anchors的坐標(biāo)值，是一個[216000,4]的數(shù)組
?
?(2.2)、RPN工作原理解析
為了進一步更清楚的看懂RPN的工作原理，將Caffe版本下的網(wǎng)絡(luò)圖貼出來，對照網(wǎng)絡(luò)圖進行講解會更清楚
?
主要看上圖中框住的‘RPN’部分的網(wǎng)絡(luò)圖，其中‘rpn_conv/3*3’是3*3的卷積，上面有提到過，接著是兩個1*1的全卷積，分別是圖中的‘rpn_cls_score’和‘rpn_bbox_pred’，在上面同樣有提到過。接下來，分析網(wǎng)絡(luò)圖中其他各部分的含義
2.2.1)、rpn-data
1. layer { 2. name: 'rpn-data' 3. type: 'Python' 4. bottom: 'rpn_cls_score' #僅提供特征圖的height和width的參數(shù)大小 5. bottom: 'gt_boxes' #ground truth box 6. bottom: 'im_info' #包含圖片大小和縮放比例，可供過濾anchor box 7. bottom: 'data' 8. top: 'rpn_labels' 9. top: 'rpn_bbox_targets' 10. top: 'rpn_bbox_inside_weights' 11. top: 'rpn_bbox_outside_weights' 12. python_param { 13. module: 'rpn.anchor_target_layer' 14. layer: 'AnchorTargetLayer' 15. param_str: "'feat_stride': 16 \n'scales': !!python/tuple [8, 16, 32]" 16. } 17. }這一層主要是為特征圖60*40上的每個像素生成9個Anchor box，并且對生成的Anchor box進行過濾和標(biāo)記，參照源碼，過濾和標(biāo)記規(guī)則如下：
①??? 去除掉超過1000*600這原圖的邊界的anchor box
②??? 如果anchor box與ground truth的IoU值最大，標(biāo)記為正樣本，label=1
③??? 如果anchor box與ground truth的IoU>0.7，標(biāo)記為正樣本，label=1
④??? 如果anchor box與ground truth的IoU<0.3，標(biāo)記為負(fù)樣本，label=0
? ? ?剩下的既不是正樣本也不是負(fù)樣本，不用于最終訓(xùn)練，label=-1
? ? ?什么是IoU:
? ? ?
?
? ? ?除了對anchor box進行標(biāo)記外，另一件事情就是計算anchor box與ground truth之間的偏移量
? ?令：ground truth:標(biāo)定的框也對應(yīng)一個中心點位置坐標(biāo)x*,y*和寬高w*,h*
??? anchor box: 中心點位置坐標(biāo)x_a,y_a和寬高w_a,h_a
??? 所以，偏移量：
??? △x=(x*-x_a)/w_a?? △y=(y*-y_a)/h_a?
? ?△w=log(w*/w_a)?? △h=log(h*/h_a)
? ??通過ground truth box與預(yù)測的anchor box之間的差異來進行學(xué)習(xí)，從而是RPN網(wǎng)絡(luò)中的權(quán)重能夠?qū)W習(xí)到預(yù)測box的能力
?
2.2.2) 、rpn_loss_cls、rpn_loss_bbox、rpn_cls_prob
下面集體看下這三個，其中‘rpn_loss_cls’、‘rpn_loss_bbox’是分別對應(yīng)softmax，smooth L1計算損失函數(shù)，‘rpn_cls_prob’計算概率值(可用于下一層的nms非最大值抑制操作)
補充：
? ? ?①?? Softmax公式，計算各分類的概率值
? ? ? ② Softmax Loss公式，RPN進行分類時，即尋找最小Loss值
在’rpn-data’中已經(jīng)為預(yù)測框anchor box進行了標(biāo)記，并且計算出與gt_boxes之間的偏移量,利用RPN網(wǎng)絡(luò)進行訓(xùn)練。
RPN訓(xùn)練設(shè)置：在訓(xùn)練RPN時，一個Mini-batch是由一幅圖像中任意選取的256個proposal組成的，其中正負(fù)樣本的比例為1：1。如果正樣本不足128，則多用一些負(fù)樣本以滿足有256個Proposal可以用于訓(xùn)練，反之亦然
?
2.2.3)、proposal
1. layer { 2. name: 'proposal' 3. type: 'Python' 4. bottom: 'rpn_cls_prob_reshape' #[1,18,40,60]==> [batch_size, channel，height，width]Caffe的數(shù)據(jù)格式，anchor box分類的概率 5. bottom: 'rpn_bbox_pred' # 記錄訓(xùn)練好的四個回歸值△x, △y, △w, △h 6. bottom: 'im_info' 7. top: 'rpn_rois' 8. python_param { 9. module: 'rpn.proposal_layer' 10. layer: 'ProposalLayer' 11. param_str: "'feat_stride': 16 \n'scales': !!python/tuple [4, 8, 16, 32]" 12. } 13. }在輸入中我們看到’rpn_bbox_pred’，記錄著訓(xùn)練好的四個回歸值△x, △y, △w, △h。
源碼中，會重新生成60*40*9個anchor box，然后累加上訓(xùn)練好的△x, △y, △w, △h,從而得到了相較于之前更加準(zhǔn)確的預(yù)測框region proposal，進一步對預(yù)測框進行越界剔除和使用nms非最大值抑制，剔除掉重疊的框；比如，設(shè)定IoU為0.7的閾值，即僅保留覆蓋率不超過0.7的局部最大分?jǐn)?shù)的box（粗篩）。最后留下大約2000個anchor，然后再取前N個box（比如300個）；這樣，進入到下一層ROI Pooling時region proposal大約只有300個
用下圖一個案例來對NMS算法進行簡單介紹
?
如上圖所示，一共有6個識別為人的框，每一個框有一個置信率。?
現(xiàn)在需要消除多余的:
- 按置信率排序: 0.95, 0.9, 0.9, 0.8, 0.7, 0.7
- 取最大0.95的框為一個物體框
- 剩余5個框中，去掉與0.95框重疊率IoU大于0.6(可以另行設(shè)置)，則保留0.9, 0.8, 0.7三個框
- 重復(fù)上面的步驟，直到?jīng)]有框了，0.9為一個框
- 選出來的為: 0.95, 0.9
所以，整個過程，可以用下圖形象的表示出來
?
其中，紅色的A框是生成的anchor box,而藍(lán)色的G’框就是經(jīng)過RPN網(wǎng)絡(luò)訓(xùn)練后得到的較精確的預(yù)測框，綠色的G是ground truth box
?
2.2.4)、roi_data
1. layer { 2. name: 'roi-data' 3. type: 'Python' 4. bottom: 'rpn_rois' 5. bottom: 'gt_boxes' 6. top: 'rois' 7. top: 'labels' 8. top: 'bbox_targets' 9. top: 'bbox_inside_weights' 10. top: 'bbox_outside_weights' 11. python_param { 12. module: 'rpn.proposal_target_layer' 13. layer: 'ProposalTargetLayer' 14. param_str: "'num_classes': 81" 15. } 16. }為了避免定義上的誤解，我們將經(jīng)過‘proposal’后的預(yù)測框稱為region proposal（其實，RPN層的任務(wù)其實已經(jīng)完成，roi_data屬于為下一層準(zhǔn)備數(shù)據(jù)）
主要作用：
①?????? RPN層只是來確定region proposal是否是物體(是/否),這里根據(jù)region proposal和ground truth box的最大重疊指定具體的標(biāo)簽(就不再是二分類問題了，參數(shù)中指定的是81類)
②?????? 計算region proposal與ground truth boxes的偏移量，計算方法和之前的偏移量計算公式相同
經(jīng)過這一步后的數(shù)據(jù)輸入到ROI Pooling層進行進一步的分類和定位.
?
3)、ROI Pooling:
1. layer { 2. name: "roi_pool5" 3. type: "ROIPooling" 4. bottom: "conv5_3" #輸入特征圖大小 5. bottom: "rois" #輸入region proposal 6. top: "pool5" #輸出固定大小的feature map 7. roi_pooling_param { 8. pooled_w: 7 9. pooled_h: 7 10. spatial_scale: 0.0625 # 1/16 11. } 12. }從上述的Caffe代碼中可以看到，輸入的是RPN層產(chǎn)生的region proposal(假定有300個region proposal box)和VGG16最后一層產(chǎn)生的特征圖(60*40 512-d)，遍歷每個region proposal，將其坐標(biāo)值縮小16倍，這樣就可以將在原圖(1000*600)基礎(chǔ)上產(chǎn)生的region proposal映射到60*40的特征圖上，從而將在feature map上確定一個區(qū)域(定義為RB*)。
在feature map上確定的區(qū)域RB*，根據(jù)參數(shù)pooled_w:7,pooled_h:7,將這個RB*區(qū)域劃分為7*7，即49個相同大小的小區(qū)域，對于每個小區(qū)域，使用max pooling方式從中選取最大的像素點作為輸出，這樣，就形成了一個7*7的feature map
? ? ? ?細(xì)節(jié)可查看：https://www.cnblogs.com/wangyong/p/8523814.html
以此，參照上述方法，300個region proposal遍歷完后，會產(chǎn)生很多個7*7大小的feature map，故而輸出的數(shù)組是：[300,512,7,7],作為下一層的全連接的輸入
?
4)、全連接層:
經(jīng)過roi pooling層之后，batch_size=300, proposal feature map的大小是7*7,512-d,對特征圖進行全連接，參照下圖，最后同樣利用Softmax Loss和L1 Loss完成分類和定位
?
?
通過full connect層與softmax計算每個region proposal具體屬于哪個類別（如人，馬，車等），輸出cls_prob概率向量；同時再次利用bounding box regression獲得每個region proposal的位置偏移量bbox_pred，用于回歸獲得更加精確的目標(biāo)檢測框
即從PoI Pooling獲取到7x7大小的proposal feature maps后，通過全連接主要做了：
4.1)通過全連接和softmax對region proposals進行具體類別的分類
4.2)再次對region proposals進行bounding box regression，獲取更高精度的rectangle box
?
作為一枚技術(shù)小白，寫這篇筆記的時候參考了很多博客論文，在這里表示感謝，同時，未經(jīng)同意，請勿轉(zhuǎn)載....
?
轉(zhuǎn)載于:https://www.cnblogs.com/augustone/p/10535479.html
總結(jié)
以上是生活随笔為你收集整理的图像理解之物体检测object detection，模型rcnn/fastrcnn/fasterrcnn原理及概念的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 简化路径
- 下一篇： React Ways1——函数即组件