【R-FCN】论文解读

痛定思痛。 2022-05-17 04:24 266阅读 0赞

**本篇博客一方面介绍R-FCN算法（NISP2016文章），该算法改进了Faster RCNN，另一方面介绍其Caffe代码，这样对算法的认识会更加深入。**

论文：R-FCN：object detection via region-based fully convolutional networks  
论文链接：[http://papers.nips.cc/paper/6465-r-fcn-object-detection-via-region-based-fully-convolutional-networks.pdf][http_papers.nips.cc_paper_6465-r-fcn-object-detection-via-region-based-fully-convolutional-networks.pdf]

## **要解决的问题：** ##

这篇论文提出一种基于region的object detection算法：R-FCN（Region-based Fully Convolutional Network），**R-FCN可以看做是Faster RCNN的改进版，速度上提高了差不多3倍左右，mAP也有一点提升。**另外一类object detection算法像YOLO，SSD等object detection算法是不基于region的。  
**为什么R-FCN相比Faster RCNN会有明显的提速呢？以主网络为ResNet101为例，在Faster RCNN中，ROI Pooling层的输入是在conv4\_x，在做完ROI Pooling后会继续接conv5\_x，conv5\_x包含9个卷积层，另外在conv5\_x后还有几个全连接层，这些层的计算都直接作用在每个roi上，因此存在许多重复计算。如果主网络换成VGG也类似，只不过重复计算的层数会少一些，主要是一些全连接层。而在R-FCN中，所有能共享的层都在ROI Pooling之前做好了，因此在ROI Pooling后基本不会有太多的重复计算。为了要在ROI Pooling之前实现层共享，一方面将conv5\_x的计算移到Pooling层之前，但这样依然还存在一些全连接层的重复计算，因此再引入position-sensitive score map和position-sensitive ROI Pooling，使得经过Pooling后简单地执行一些操作就能得到回归和分类结果，而不再像Faster RCNN一样用几个全连接层去得到结果。**

基于101层的ResNet网络在VOC 2007数据集上达到mAP 83.6%。测试的时候每张图像所用时间是170ms，比Faster RCNN快2.5到20倍。  
代码地址：[https://github.com/daijifeng001/r-fcn][https_github.com_daijifeng001_r-fcn]

## **算法概要：** ##

**首先之所以提出本文的算法，简单讲是为了提高Faster RCNN的速度，因此一方面很直观地想到要尽可能在网络中共享计算，所以就想到对原来ROI Pooling层进行改造和移动；另一方面希望基本网络可以更加强大，因此就想到了用类似Resnet等全卷积网络代替原来的VGG等网络。**

这个算法的网络主要是基于ResNet-101，ResNet-101包含100个卷积层、一个均值降采样层和一个1000分类的全连接层。**这里作者仅采用前面的100个卷积层来提取特征，其它层不用**。ResNet-101的最后一个卷积层输出是2048维，这里作者为了降维，添加了一个1024维的1\*1卷积层（随机初始化）。**最后，一方面添加一个k^2(C+1)维的卷积层用于生成score maps，这些score maps主要是用来生成object的类别；另一方面为了做bounding box regression，作者添加了和Fast RCNN类似的bounding box regression卷积层，维度是4\*k^2，该层和前面生成score maps的卷积层是并列的。**除了这个主网络以外，该算法还引入RPN网络生成ROI，生成的ROI将和分类的卷积层生成的score maps进行pooling并最终得到每个ROI属于每个类别的概率（一共C+1类）。另外这个ROI还将和回归卷积层的输出进行pooling，得到每个ROI的四个坐标。损失函数方面基本上和Fast RCNN一样。  
**因此，整个网络主要就是由全卷积网络（ResNet）和RPN网络构成，前者用于提取特征，后者用于生成ROI。**

**注意：文中的ROI就是region proposal。另外Faster RCNN中的ROI Pooling和本文的ROI Pooling不是一个意思，前者只是简单将每个region feature变换到统一的尺寸的feature，变换过程中采用Max pooling；而后者则是一种position-sensitive的ROI Pooling。**

## **算法详解：** ##

**图片分类问题是具有平移不变性的（translation invariance），什么意思呢？就是说一张图像中目标的平移对这张图片的分类结果影响不大，这也是为什么全卷积网络可以在图像分类比赛中成绩更好；目标检测问题则具有平移敏感性（translation variance），也很容易理解，如果一张图像中目标平移了，那么最后预测的框也会变化。**

作者指出像VGG或AlexNet网络，一般由卷积层，每个卷积层后面跟降采样（pooling）层，最后叠加几个全连接层构成。但是像GooleNet或ResNet，基本上都是卷积层（很少有降采样层或全连接层），作者将其归为全卷积网络（FCN），**同时假设全卷积网络具备平移不变性，所以如果简单地在目标检测问题中用ResNet代替VGG等网络，检测效果并不好，根源就在于前者具有平移不变性，而检测问题对平移敏感**。为了解决这个问题，作者在ResNet的卷积层中插入了ROI pooling层，这种region-specific的操作打破了原来的平移不变性（普通网络因为卷积层和pooling层的交替，所以具有平移敏感性，所以如果在全卷积网络中增加ROI Pooling会增加平移敏感性），不过这种设计降低了训练及测试的效率，因为其引入了一些region-wise层。

**因此为了将平移敏感性引入全卷积网络，作者在全卷积网络的输出位置添加一系列特定的卷积层用于生成position-sensitive的score map，每个score map保存目标的空间位置信息。然后再添加ROI Pooling层，该层后面不再跟卷积层或全连接层。这样整个网络不仅可以end-to-end训练，而且所有层的计算都是在整个图像上共享的。**如下图的table1，表示几种算法的共享层数情况。

![这里写图片描述][SouthEast]

这里讲一个公式：**position-sensitive ROI pooling，如下图。作者将每个ROI划分成k\*k个bins**，即如果一个ROI的大小是w\*h，那么每个bin的大小就是(w/k)\*(h/k)，对于里面第(i,j)个bin进行pool操作可以得到rc(i,j)，c表示类别。zi,j,c表示的是k^2(C+1)个maps中的第(i,j)个且属于c类别的那个map。x，y表示这个bin的像素点范围，累加也是对x，y的不同取值进行累加，最后再除以n取均值。

![这里写图片描述][SouthEast 1]

Figure1以分类支路为例介绍该公式，在Figure1中不同的颜色代表公式1中不同的(i,j)。所以对于分类支路而言，这个公式简单讲就是：**对一个ROI中的某个bin（比如是(i,j)这个bin）进行pooling操作就是对卷积层输出的k^2(C+1)个maps中的第(i,j)个map做均值pooling**。所以一个ROI的某个bin进行pooling后会得到1\*1\*(C+1)大小的输出，换句话说每个ROI进行pooling后会得到k\*k\*(C+1)大小的输出，这个输出进行vote操作得到C+1维的输出，这个vote操作就是一个均值操作。最后再连接一个softmax层输出每一类的概率。回归支路和分类支路类似，只不过接的卷积层的卷积核数量不是k^2(C+1)而是4\*k^2（代码中采用的是4\*2\*k^2），因此在经过position-sensitive Roi Pooling后得到4\*k\*k维度的输出，再经过vote操作得到4\*1\*1的输出，表示预测的bbox坐标offset。（这里采用的是简化版的回归支路，文章中也提到可以采用卷积核数量为C\*4\*k^2的卷积层去生成position-sensitive score map，那样的话相当于对每个类别都进行回归）。

![这里写图片描述][SouthEast 2]

关于**损失函数**，原文如下图，这里解释一下。首先本文的损失函数基本上和Fast RCNN的一样，都是分类损失和回归损失的和。分类损失采用的是交叉熵，这也是Caffe里面的softmaxWithLoss层的做法，可能有同学看不懂这个交叉熵里面的Sc代表什么意思，这里再贴一个文中的公式来解释Sc。c>0是用来说明只有存在object的ROI才能参与回归（因为只有object才有四个坐标，才能进行回归，才有loss）。最后一句是介绍训练时候正负样本是怎么选的，和一个ground truth的IOU值大于0.5的ROI就是positive样本。

![这里写图片描述][SouthEast 3]

**这个是介绍Sc的两个公式，Sc其实就是Caffe里面的softmax层的输出，代表的是每一类的概率；其中Sc用到rc，而rc就是网络层输出的每个类别的概率得分，就是上面Fig1的vote后的结果。**具体参看另一篇博文：[softmax，softmax-loss，BP的解释][softmax_softmax-loss_BP]

![这里写图片描述][SouthEast 4]

如下图，除了主网络ResNet以外，还有RPN网络用于生成ROI（region proposal），因此在训练的时候，作者采用RPN网络和R-FCN交替训练的方式来共享特征。**这里有个细节，假设每个image有N个ROI，那么在前向训练的时候会计算所有N个ROI的loss，然后将这N个ROI（包括positive和negative）按照loss高低进行排序，最后在backpropagation阶段只将loss最高的B个ROI的loss回传。详细可以参考OHEM算法。**

![这里写图片描述][SouthEast 5]

**因此再来简单梳理一下网络结构：首先输入图像经过一个全卷积网络（比如ResNet），然后一方面在最后一个卷积层后面添加特殊的卷积层生成position-sensitive的score map，另一方面全卷积网络的某个卷积层（可能是最后一个卷积层）输出作为RPN网络的输入，RPN网络最后生成ROI。最后的POI Pooling层将前面的socre map和ROI作为输入，输出类别信息。另外回归部分和分类部分是并列的，详解看后面的Caffe代码。**

## **Caffe的代码：** ##

首先是数据读入操作，假设输出的data是1\*3\*600\*1000，im\_info是1\*3，gt\_boxes是1\*4，后面的所有维度都是以这个假设为前提。

![这里写图片描述][SouthEast 6]

然后ResNet，结构如下图。R-FCN主要是采用ResNet和RPN结构来训练。R-FCN的具体结构（以ResNet50为例）：conv1，maxpooling，conv2\_x（在代码中用res2a\_branch2a到res2c\_branch2c表示，前面的字母a，b，c表示在conv2\_x层需要循环3个大层，后面的a，b，c表示每个大层里面都有三个小层。另外还有res2a\_branch1表示用1\*1的256个卷积核卷积的结果。每个大层结束的时候都需要用Eltwise层合并，比如res2a\_branch1和res2a\_branch2c生成res2a，下一个大层则是res2a和res2b\_branch2c座Eltwise合并），conv3\_x，conv4\_x，conv5\_x。

![这里写图片描述][SouthEast 7]

然后是**RPN网络**，RPN网络以一个3\*3的卷积核，pad=1，stride=1的512个卷积核的卷积层开始，输入是res4f层的输出，res4f层的输出即conv4\_x最后的输出。该rpn\_conv/3\*3层的输出是1\*512\*38\*63。

![这里写图片描述][SouthEast 8]

然后是**分类层和回归层**，**分类层采用1\*1的卷积核，pad=0，stride=1的18（2(back ground/fore ground)\*9(anchors)）个卷积核的卷积层，分类层的输出是1\*18\*38\*63。回归采用1\*1的卷积核，pad=0，stride=1的36（4\*9(anchors)）个卷积核的卷积层，回归层的输出是1\*36\*38\*63。**

![这里写图片描述][SouthEast 9]

Reshape层对分类层的结果做了一次维度调整，从1\*18\*38\*63变成1\*2\*342\*63，后面的342\*63就代表该层所有anchor的数量。

![这里写图片描述][SouthEast 10]

下面这个层是用来从最开始读取的数据得到label和target。这里rpn\_cls\_score为1\*1\*342\*63，rpn\_bbox\_targets为1\*36\*38\*63，rpn\_bbox\_inside\_weights为1\*36\*38\*63，rpn\_bbox\_outside\_weights为1\*36\*38\*63。

![这里写图片描述][SouthEast 11]

**损失函数**如下：**分类的损失采用SoftmaxWithLoss**，输入是reshape后的预测的类别score(1\*2\*342\*63)和真实的label(1\*1\*342\*63)。**回归的损失采用SmoothL1Loss**，输入是rpn\_bbox\_pred(1\*36\*38\*63)即所有anchor的坐标相关的预测，rpn\_bbox\_targets(1\*36\*38\*63)，rpn\_bbox\_inside\_weights(1\*36\*38\*63)，rpn\_bbox\_outside\_weights(1\*36\*38\*63)。

![这里写图片描述][SouthEast 12]

然后是ROI Proposal，先用一个softmax层算出概率（1\*2\*342\*63），然后再reshape到1\*18\*38\*63。

![这里写图片描述][SouthEast 13]

然后是生成proposal，维度是1\*5。

![这里写图片描述][SouthEast 14]

这一层生成rois（1\*5\*1\*1），labels（1\*1\*1\*1），bbox\_targets（1\*8\*1\*1），bbox\_inside\_weights  
（1\*8\*1\*1），bbox\_outside\_weights（1\*8\*1\*1）。

![这里写图片描述][SouthEast 15]

**至此RPN网络结束。**

**新的卷积层，其实就是在ResNet后面添加的卷积层**，以res5c作为输入，用1\*1的卷积核，pad=0的1024个卷积核的卷积层。得到1\*1024\*38\*63。

![这里写图片描述][SouthEast 16]

然后再分别跟两个卷积层，卷积核的大小都是1，pad=0，一个用于分类，一个用于回归。分类层如下：1\*1029\*38\*63，其中1029的含义在下图中也有解释，21是代表类别（VOC的20类加上背景1类），7是和ROI要划分成7\*7的格子对应。

![这里写图片描述][SouthEast 17]

这个分类层的输出结果就是论文中的这个三维矩阵：

![这里写图片描述][SouthEast 18]

然后是回归层的输出：1\*392\*38\*63，与分类层类似。

![这里写图片描述][SouthEast 19]

**开始进入ROI pooling操作**了，上面一层，有两个输入：rfcn\_cls（1\*1029\*38\*63）是预测的结果，rois（1\*5\*1\*1）是ROI，生成1\*21\*7\*7的结果。下面一层是均值池化，得到1\*21\*1\*1（cls\_score），就是论文中vote的过程。

![这里写图片描述][SouthEast 20]

所以上面这两个操作就是对应论文中的这个图：

![这里写图片描述][SouthEast 21]

同理，回归也是类似的操作：生成1\*8\*7\*7和1\*8\*1\*1（bbox\_pred）的结果。

![这里写图片描述][SouthEast 22]

最后就是损失和计算准确率层：

![这里写图片描述][SouthEast 23]

**可以看出在ROI Pooling层后就没有卷积层和全连接层了**。

## **总结：** ##

**R-FCN作为Faster RCNN的改进版，主要对原有的ROI Pooling层进行改进和移位，使得不会存在众多region proposal都得经过全连接层的情况，这样就加快了速度。另一方面改进是将原来的VGG16类型的主网络换成ResNet系列网络。而算法的另一部分RPN网络则和Faster RCNN基本差不多。总的来讲实验效果还是很不错的。**

[http_papers.nips.cc_paper_6465-r-fcn-object-detection-via-region-based-fully-convolutional-networks.pdf]: http://papers.nips.cc/paper/6465-r-fcn-object-detection-via-region-based-fully-convolutional-networks.pdf
[https_github.com_daijifeng001_r-fcn]: https://github.com/daijifeng001/r-fcn
[SouthEast]: /images/20220517/fb4d76f2fad545b5acfef8fa5a45216d.png
[SouthEast 1]: /images/20220517/c34a822c63b843fca268572ab8c0810c.png
[SouthEast 2]: /images/20220517/509279f5e58e40fd9554e3fcd1241211.png
[SouthEast 3]: /images/20220517/f24261d15d1643908020fc04e530b649.png
[softmax_softmax-loss_BP]: http://blog.csdn.net/u014380165/article/details/71181256
[SouthEast 4]: /images/20220517/94237a8a30b34e6b872cc8417f6ab494.png
[SouthEast 5]: /images/20220517/68c356b81145461389270e1dc18f76c5.png
[SouthEast 6]: /images/20220517/0fb4179fd0214c9694f501f243d0cdf9.png
[SouthEast 7]: /images/20220517/f14d4d31f0924c2d8d151e0fd20b7847.png
[SouthEast 8]: /images/20220517/3744807fb45b4416893af3d4cfc0719a.png
[SouthEast 9]: /images/20220517/8dda5304aaf544758086c5ba8633b6d3.png
[SouthEast 10]: /images/20220517/00533f7e15b34151860f766c5f79ba98.png
[SouthEast 11]: /images/20220517/afb0fe3d29c74c369df4c390d0da1243.png
[SouthEast 12]: /images/20220517/05b0efd5ab7f4bf283dd5c404cc27c50.png
[SouthEast 13]: /images/20220517/5e359cfd8f55436cb5714cd7f2a90798.png
[SouthEast 14]: /images/20220517/86825582aa9a41a29432efeddac42ba2.png
[SouthEast 15]: /images/20220517/016225a623ea464795121ee88b29988c.png
[SouthEast 16]: /images/20220517/ef47b589483944a8b29af5ed57db2515.png
[SouthEast 17]: /images/20220517/109efd4f74ed4977a3c0b844aeda6e04.png
[SouthEast 18]: /images/20220517/8ec4dcdd7fc1423896434d72652d59a0.png
[SouthEast 19]: /images/20220517/b076a00fd6994f128e14f621b735ce9d.png
[SouthEast 20]: /images/20220517/a272591f13d1468b91bf886dc37f1c47.png
[SouthEast 21]: /images/20220517/051ebb4745cf48c28caca77a353554cc.png
[SouthEast 22]: /images/20220517/e3f6b222964545ec8031c44e29c228e9.png
[SouthEast 23]: /images/20220517/09711e29bc7e498689fa6efee59621c3.png