Faster R-CNN论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Network

Fast R-CNN的缺点

基于Fast R-CNN的网络结构是当时最先进的目标检测网络结构，统称为Region-based CNN，而它们共同的问题就是，提出Region Proposal的过程（比如Selective Search、EdgeBoxes）太过耗时间。

Faster R-CNN提出的改进方法

Region Proposal由深度卷积网络（Region Proposal Networks, RPN）提出。RPN和分类网络共享特征提取网络。

Faster R-CNN的结构

Faster R-CNN论文中的网络结构示意图

Faster R-CNN的结构较之Fast R-CNN还要简洁。

1.输入：任意大小的图像

2.特征提取网络，输出feature map。

3.RPN：根据feature map，预测若干ROI的位置和尺寸，以及该ROI“包含目标的置信度”。ROI的表示采用了anchor方法，ROI为anchor经过映射（预测输出）得到的区域。详细的解释在后面。

4.ROI Pooling：在特征图像上，对于每个ROI而言，保留其里面的特征图内容。将保留的内容压缩成H×W长度的向量输出。

5.Classification

RPN

RPN以一个任意大小的特征图作为输入，预测若干ROI的位置和尺寸，以及该ROI“包含目标的置信度”。

在特征提取网络的最后一层输出的特征图上，一个n×n（论文中n取3）的窗口滑动遍历整个图像，每个窗口内的特征数据都分别被映射（d维1×1卷积）到一个较低维度（对Zeiler and Forgus网络而言是256-d，对VGG-16而言是512-d）的特征向量，这个特征向量输入至两个全连接层——分别对应Box-regression和Box-classification。对每个窗口将预测k个边界框，所以Box-regression全连接层有4k个输出（4个值反映一个边界框的位置和大小），Box-classification全连接层有2k个输出（表示对应的anchor“包含”或“不包含”目标，作者将它实现为具有2个类别的softmax层，实际上也可以改为实现为逻辑回归层，这样Box-classification层就有k个输出）。

映射的具体实现方式：先用3×3（256或512个）卷积核对特征图进行卷积，结果输入进cls和reg层。cls和reg层分别是1×1（2k个）和1×1（4k个）的卷积层——全连接层可以用1×1卷积层实现。

在滑动窗口的某个位置上，都预设了k个anchor，对于这个位置上预测出的k个选框而言，每个选框表示为一个anchor中的映射（作者将k取9，为3种尺度和3种长宽比的组合）。

RPN结构示意图。注意RPN有一两个分支的全连接层，这里的cls层判断是否包含对象，并不具备分类功能，别和后面的分类网络搞混了。

平移不变性

用此种方法设计anchor，模型对输入具有平移不变性，即，如果输入图像经过了一定的平移，RPN预测到的边框回归变换参数是不变的，只是对应的anchor位置变了。这种特性对比的是采用固定anchor（一般由聚类方法预先获得）各种方法，比如MultiBox或者YOLO2（3？）。

这种特性的一个好处是不用预先设定太多的anchor，相应地，全连接层参数会减少，模型过拟合的风险下降。

多尺寸问题

有些模型采用图像金字塔解决多尺寸问题，这种方法问题在于比较耗时（因为重复的特征被映射到新特征图的不同尺度上）；有些模型采用不同尺寸的卷积核（卷积核金字塔），这种方法问题在于不同的卷积核使训练更为困难。Faster R-CNN中，多尺寸的anchor解决了该问题，并且对模型引入了相对而言最小的代价。

损失函数

在训练数据中，将以下两种anchor标记为“包含目标”：（1）与一个Ground Truth有最大重叠比例者；或（2）与任意一个Ground Truth的重叠比例达到0.7者。将未被标记为“包含目标”的anchor中，符合如下条件的标记为“不包含目标”：（1）与任何Ground Truth的重叠比例都未达到0.3者。剩余的既未被标记为包含目标又未被标记为不包含目标的anchor，将不对目标函数做出贡献。

训练RPN的损失函数为：

其中，是anchor包含目标的置信度，表示anchor实际上是否包含目标，为损失函数，为mini-batch size；是表示anchor到预测的边界框的四维变换向量，是anchor到Ground Truth的变换向量，为损失函数，前面乘表示只有包含目标的anchor才对边框回归损失有贡献，是有匹配的Ground Truth的anchor数，为调整权重的超参数。

边框位置和大小回归计算公式和R-CNN、Fast R-CNN里一样：

RPN的训练

在Faster R-CNN中，RPN和分类网络（基于Fast R-CNN）是分开训练的。

训练集采样

采样策略类似Fast R-CNN，取少量图像中的多个ROI，只是Faster R-CNN更加极端，每个mini-batch只取1张图片，采样其中的256个有标记的区域建议作为样本，并尽可能地保证正样本和负样本的比例在1：1。

超参数

和Fast R-CNN基本一样。略。

关于RPN和Fast R-CNN的共享特征提取网络在训练时的处理方法

方案1：交替训练

用初始权重训练RPN；然后将RPN输出的Region Proposal作为Fast R-CNN的输入，用初始权重训练Fast R-CNN（这时RPN和Fast R-CNN并不共享权重）；然后再将特征提取网络作为RPN的初始化权重，并保持特征提取网络权重不变，仅对RPN的全连接层进行finetune（此时RPN和Fast R-CNN共享权重）...这个过程被迭代执行若干次。

这个方法是论文中所有实验采用的方法。

方案2：Approximate joint training（近似联合训练）

将RPN和Fast R-CNN串联成一个网络（即完整的Faster R-CNN结构），此时前向传播如同Faster R-CNN被设计的那样如常进行，且反向传播也正常进行，因为RPN和Fast R-CNN都有Loss，在反向传播时这两个Loss将被结合（我猜可能就是加权相加吧...）起来考虑。

作者表示它的问题在于忽略了对Region Proposal的坐标的偏导，而这其实也是网络的响应...好把这句话我完全没看懂，但是结合下面一个方案说的，我的理解是：在Fast R-CNN里直接将Region Proposal作为固定输入了，而没有考虑它实际上是RPN的输出，所以在反向传播时没有考虑它对Fast R-CNN的Loss的贡献。而实际上Region Proposal的坐标明显和RPN的权重有关。

不过在实验中，这个方案能够加快训练速度，而且表现也基本符合预期，所以不失为一种可用的训练方案。

方案3：Non-approximate joint training（非近似联合训练）

这个方案如同方案2，但是也将Region Proposal坐标的偏导考虑进去了。如作者所言，这个解决方案的实现较为困难，已超过了本论文的讨论范围。

明明Fast R-CNN的训练是很简单的，到了Faster R-CNN，训练网络却如此复杂。不过好处在于， RPN 训练出来能被各种其他的网络应用。