TensorFlow2深度学习实战（十六）：目标检测算法Faster R-CNN解析

╰+哭是因爲堅強的太久メ 2022-09-16 11:04 454阅读 0赞

本专栏以理论与实战相结合的方式，左手看论文，右手撸代码，带你一步步掌握深度学习原理和源码，玩转计算机视觉领域中的三大基本任务：图像分类、目标检测、语义分割。

本专栏完整代码将在我的GiuHub仓库更新，欢迎star收藏：[https://github.com/Keyird/DeepLearning-TensorFlow2][https_github.com_Keyird_DeepLearning-TensorFlow2]

### 文章目录 ###

*   *  一、Faster R-CNN 介绍
     *  二、算法流程
     *  三、网络结构
     *   *  1、Conv layers
         *  2、Region Proposal Networks
         *  3、ROI Pooling
         *  4、Classifer and Detector
     *  四、损失函数
     *  五、网络训练

## 一、Faster R-CNN 介绍 ##

2015年，微软研究团队的任少卿、何凯明等人提出了Faster R-CNN，该方法提出了一种新的Region Proposal Networks取代了原来的Selective Search算法，几乎不消耗计算时间，使得生成推荐区域过程变得非常高效，解决了Fast R-CNN生成推荐区域耗时的问题。

Faster R-CNN算法将Region Proposal Networks与Fast R-CNN进一步合并为一个单个网络。当采用非常深的VGG-16模型作为骨干网络时，基于该方法的检测系统在GPU上的帧速率为5fps，基本达到实时检测的水平。同时在PASCAL VOC2007、2012和MS COCO数据集上，其检测精度也达到了最好的水平。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaW5qaWU_size_16_color_FFFFFF_t_70_pic_center]

## 二、算法流程 ##

如下图所示，**Faster R-CNN算法流程**主要有以下4个步骤：

1.  **Conv layers**。首先将图像输入到CNN（VGG-16）提取图像特征，得到的 feature maps 将被共享用于后面的 RPN 和 ROI Pooling。
2.  **Region Proposal Networks**。RPN用于生成推荐区域。该网络通过softmax判断anchors属于positive还是negative，再利用边界框回归修正anchors获得精确的推荐框proposals。
3.  **ROI Pooling**。该层以feature maps和proposals同时作为输入，综合这些信息后提取proposal feature maps，送入后续全连接层判定目标类别。
4.  **Classifer and Detector**。将proposal feature maps输入全连接层预测proposals的类别；同时再次进行边界框回归，获得检测框最终的精确位置。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaW5qaWU_size_16_color_FFFFFF_t_70_pic_center 1]

## 三、网络结构 ##

如下图所示，是Faster R-CNN网络的整体架构图，输入是PxQ的图像，经过resize后变为MxN的大小送入网络中。从图中结构可知，Faster R-CNN采用的是VGG16作为骨干网络来提取特征。随着深度学习飞速的发展，越来越多高效的骨干网络相继被提出，比如ResNet系列等，均可用于Faster R-CNN中，替代其原有的VGG网络。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQUkg6I-M_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]

Faster R-CNN是经典的双阶段目标检测网路，整个边界框回归部分由两部分组成，第一次bounding box regression即在RPN中的第二条支路中进行，用来获得较为精确的proposal；第二次bounding box regression即在ROI Pooling之后的全连接层中进行，用来获得更加精确的目标框位置。

### 1、Conv layers ###

Conv layers即指特征提取网络，Faster R-CNN采用VGG16进行特征提取，得到的feature maps被共享用于后续的RPN和ROI Pooling。Conv layers部分共有13个conv层，13个relu层，4个pooling层。在Conv layers中：

*  所有的conv层都是：kernel\_size=3，pad=1，stride=1
 *  所有的pooling层都是：kernel\_size=2，pad=0，stride=2

在整个Conv layers中，conv和relu层不改变输入输出大小，只有pooling层使输出长宽都变为输入的1/2。那么，一个MxN大小的矩阵经过Conv layers固定变为(M/16)x(N/16)。

详细了解VGG16，可参考：[https://blog.csdn.net/wjinjie/article/details/105274142][https_blog.csdn.net_wjinjie_article_details_105274142]

### 2、Region Proposal Networks ###

经典的检测方法生成检测框都非常耗时，如OpenCV adaboost使用滑动窗口+图像金字塔生成检测框；R-CNN使用SS(Selective Search)方法生成检测框。而Faster R-CNN则抛弃了传统的滑动窗口和SS方法，直接使用RPN生成检测框，这也是Faster R-CNN的巨大优势，能极大提升检测框的生成速度。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQUkg6I-M_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 1]  
上图展示了RPN网络的具体结构，可以看到RPN网络实际分为2条线：

*  上面一条通过softmax分类，判断anchors是positive还是negative，即该anchors是否包含待检测目标。
 *  下面一条用于计算对于anchors的bounding box regression偏移量，以获得精确的proposal。

而最后的Proposal层则负责综合positive anchors和对应bounding box regression偏移量获取proposals，同时剔除太小和超出边界的proposals。其实整个网络到了Proposal Layer这里，就相当于完成了初步的目标定位功能。

如下图所示，假如原图是600x600的大小，输入到Conv layers后下采样了4次，因此输出的feature maps大小为：38x38。接下来，在RPN中，为每一个点（一共38x38个）都配备这k种anchors作为初始的预选框。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQUkg6I-M_size_19_color_FFFFFF_t_70_g_se_x_16_pic_center]  
图中的k即代表anchors的不同种类数，在文章中设置的是9。2k和4k分别代表中两条支路的通道数，即18和36。其中，2代表positive或negative；4代表目标框的坐标位置（x,y,w,h）。

由于feature maps上每个点都9个anchors，所以一共有：38x38x9=12996个anchors。全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练。

Proposal Layer负责综合所有偏移量\[dx, dy, dw, dh\]和anchors，计算出精确的proposals，送入后续RoI Pooling Layer。

### 3、ROI Pooling ###

ROI Pooling的作用是将不同大小的proposals下采样成相同的大小，便于后续的分类与回归处理。具体做法是：

*  由于proposals对应的坐标是原图上的，因此先要将proposals映射回到(M/16)x(N/16)大小的feature map上；
 *  再将每个proposal 对应的feature map区域水平分为size固定为\[pool\_w, pool\_h\]的网格，即7x7的网格；
 *  对网格的每一份都进行max pooling处理，获得7x7大小的fearture map。  
    ![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQUkg6I-M_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 2]

### 4、Classifer and Detector ###

Classifer and Detector部分利用已经获得的proposal feature maps，通过full connect层与softmax计算每个proposal具体属于那个类别（如人，车等），输出cls\_prob概率向量；同时再次利用bounding box regression获得每个proposal的位置偏移量bbox\_pred，用于回归更加精确的目标检测框。本部分结构图如下所示：  
![在这里插入图片描述][498821d6cefc489380d24a629fcff76b.png_pic_center]

## 四、损失函数 ##

整个网络的损失函数由两部分构成，分类损失和目标框回归损失，总的损失函数如下：  
![在这里插入图片描述][1f6323a39c534da88f3d14077db998a8.png]  
其中， i i i 表示 anchors index，  p i p\_i pi 表示 positive softmax probability， p i ∗ p\_i^\* pi∗ 代表对应的 GT predict 概率； t t t 代表predict bounding box， t ∗ t^\* t∗ 代表对应positive anchor的GT box。

当第i个anchor与GT间IoU>0.7，认为是该anchor是positive， p i ∗ = 1 p\_i^\*=1 pi∗=1；反之IoU<0.3时，认为是该anchor是negative， p i ∗ = 0 p\_i^\*=0 pi∗=0；至于那些0.3<IoU<0.7的anchor则不参与训练；

由于在实际过程中， N c l s N\_\{cls\} Ncls和 N r e g N\_\{reg\} Nreg差距过大，用参数λ平衡二者（如 N c l s = 256 N\_\{cls\}=256 Ncls=256， N r e g = 2400 N\_\{reg\}=2400 Nreg=2400时，设置  λ = 10 \\lambda=10 λ=10 ），使总的网络Loss计算过程中能够均匀考虑2种损失。

整个网络的损失分为两个部分，其中分类损失采用的是二分类交叉熵损失，目标框回归部分采用的是经典的 s m o o t h L 1 smooth\_\{L1\} smoothL1损失，用于边界框回归网络训练。注意在该损失中乘了  p i ∗ p\_i^\* pi∗ ，相当于只关心 positive anchors 的回归，其实在回归中也完全没必要去关心negative。

其中， s m o o t h L 1 smooth\_\{L1\} smoothL1损失函数公式如下：  
![在这里插入图片描述][fe6e282d97974c49864a7e73afaa51de.png]

## 五、网络训练 ##

Faster R-CNN 是双阶段网络，其训练过程较单阶段网络也更为复杂一点。Faster R-CNN的在实际训练过程主要分为以下几个步骤：

*  加载预训练模型（VGG、ResNet），在其基础上进行训练
 *  第一次训练RPN网络，收集proposals
 *  第一次训练Fast RCNN网络
 *  第二训练RPN网络，收集proposals
 *  第二次训练Fast RCNN网络

可以看到训练过程类似于一种“迭代”的过程，不过只循环了2次。至于只循环了2次的原因是应为作者提到：“A similar alternating training can be run for more iterations, but we have observed negligible improvements”，即循环更多次没有提升了。

参考文献：  
https://zhuanlan.zhihu.com/p/31426458  
https://cloud.tencent.com/developer/article/1441555

戳戳下方公众号，更多干货第一时间送达！

[https_github.com_Keyird_DeepLearning-TensorFlow2]: https://github.com/Keyird/DeepLearning-TensorFlow2
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaW5qaWU_size_16_color_FFFFFF_t_70_pic_center]: /images/20220828/253092fd4dbe46b9b6790f8904566a62.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaW5qaWU_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20220828/562d5975dd934b348c892802527e963f.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQUkg6I-M_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220828/5fef2ca72e13404d92a4c068b9010900.png
[https_blog.csdn.net_wjinjie_article_details_105274142]: https://blog.csdn.net/wjinjie/article/details/105274142
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQUkg6I-M_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: /images/20220828/75a349606de04e0d97d839fc09a3a01f.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQUkg6I-M_size_19_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220828/08d75307ad0f4356b4d0872b7a7c6573.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAQUkg6I-M_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center 2]: /images/20220828/e4188e8820bc461b9ef31dea92c89b11.png
[498821d6cefc489380d24a629fcff76b.png_pic_center]: /images/20220828/067a8f70a8a347578f4459fd6d5a7c4b.png
[1f6323a39c534da88f3d14077db998a8.png]: /images/20220828/c39d7b5089754ae992d456684c669724.png
[fe6e282d97974c49864a7e73afaa51de.png]: /images/20220828/5d11f5d2c75e4540a275609ead3a6a33.png