RPN详解

短命女 2022-11-22 05:18 301阅读 0赞

### RPN ###

![这里写图片描述][70]

思路：

1、先通过conv层+pooling层+relu层，可以是vgg，得到feature maps。

2、在feature maps上提取对应的图。在第一步基础上，先通过rpn生成region proposals。通过softmax判断anchors（9个框），是foreground还是background，再通过bounding box regression 进行修正anchors，也就是进一步确定proposals。

3、目的是为了得到proposals feature maps，提取框的特征图，这一步是为了下面的分类做准备，也就是先得到框图在分类。这一步先通过上面得到的proposals，和roi pooling，提取proposals feature maps。

4、分类。用proposals feature maps和一开始的proposals判断类别。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwODE1MjM3_size_16_color_FFFFFF_t_70][]

1、一个图片从由p\*q大小，变为m\*n大小（600\*1000），进入网络，经过13个conv，13个relu，4个pooling。得到feature maps（40\*60\*256）。

2、先经过3\*3conv，经过1\*1conv，分成foreground和background，上面一条线是通过softmax分类anchor，获得foreground和background，下面计算anchor的boundingboxregression偏移情况。然后计算出来proposals。

3、roi pooling，用proposals从最一开始的feature maps，通过全连接和softmax，分类。

步骤：

1、卷积层

包括conv，relu，pooling。以vgg16为例，13个conv参数为kernelsize为3\*3，pad为1，4个pooling为2\*2，stride为2，一个图形进去网络出来后大小为m/16 ,n/16的feature maps。

2、region proposal networks（RPN）  
![20190625101504137.png][]

*  上面一层目的是为了完成分类anchors（9个框），以获得foreground和background，目的是留着foreground。
 *  下面是对anchors进行bounding box regression，为了得到精准的参数，可以帮助后面得到精准的proposal。
 *  最后proposal是为了整合上面两个步骤得到proposal。

从第一层说，进入3\*3前图形是m/16 ,n/16的feature maps，进行3\*3卷积应该是为了更好融合每个点周围的信息，每个点都有9个anchors，如下所示：每个点都有256-d，每个点都要对框分fore和back，为2个维度，所以为2k，k为9个框，所以每个点输出为W\*H\*18。同理回归是需要四个值定框，分别为左上右下，4个维度，所以为4k，为W\*H\*36。虽然文章里面有些到，但是其实在程序里面没有这样的内容，找不到所谓的框和所谓框的四个维度。

**proposals layer 3个输入，一个是分类器结果foreground，一个是anchor回归结果reg，还有一个是im-info，就是把图像进行了缩减**后，进行proposal layer。

1、先再生成anchor，对做reg回归。

2、按照输入foreground softmax scores对anchor排序。目的找到最优anchor（2000个）。

3、通过feat\_stride和im\_info，把anchor映射回原图。

4、nms。

5、按照nms由大到小排序foreground anchors。提取top作为结果输出proposal（256个）。

from：[https://blog.csdn.net/N\_Sapientia/article/details/81487968][https_blog.csdn.net_N_Sapientia_article_details_81487968]

--------------------

![20170325185014552][]

这里介绍一下分类层中的两个reshape操作：

对于cls层，使用1\*1的卷积操作输出了18（9个anchor\*2类fg/bg）个通道的feature map,大小不变。而对于regression层，也使用1\*1的卷积层输出了36(4\*9个anchor)个通道的feature map，大小不变。

对于cls层后又接了一个reshape层，其实只是**为了便于softmax分类**，这就要从caffe的实现形式说起了。在caffe基本数据结构blob中以如下形式保存数据：**blob=\[batch\_size, channel，height，width\]**

对应至上面的保存bg/fg anchors的矩阵，其在caffe blob中的存储形式为\[1, 2\*9, H, W\]。而在softmax分类时需要进行fg/bg二分类，所以reshape layer会将其变为\[1, 2, 9\*H, W\]大小，即单独“腾空”出来一个维度以便softmax分类，之后再reshape回复原状。

![2019062510591126.png][]

**从中其实我们也能发现，对于rpn每个点的18个输出通道，前9个为背景的预测分数，而后9个为前景的预测分数。**

对于regression，不需要这样的操作，那么他的36个通道是不是也是如上面18个通道那样呢？即第一个9通道为dx,第二个为dy,第三个为dw，第五个是dh。还是我们比较容易想到的那种,即第一个通道是第一个盒子的回归量(dx1,dy1,dw1,dh1),第二个为(dx2,dy2,dw,2,dh2).....。待后面查看对应的bbox\_targets就知道了

正如图上所示，我们还需要准备一个层rpn-data。

layer {
      name: 'rpn-data'
      type: 'Python'
      bottom: 'rpn_cls_score'
      bottom: 'gt_boxes'
      bottom: 'im_info'
      bottom: 'data'
      top: 'rpn_labels'
      top: 'rpn_bbox_targets'
      top: 'rpn_bbox_inside_weights'
      top: 'rpn_bbox_outside_weights'
      python_param {
        module: 'rpn.anchor_target_layer'
        layer: 'AnchorTargetLayer'
        param_str: "'feat_stride': 16"
      }
    }

这一层输入四个量：data,gt\_boxes,im\_info,rpn\_cls\_score,其中前三个是我们在前面说过的，

data: 1\*3\*600\*1000  
gt\_boxes: N\*5, N为groundtruth box的个数，每一行为**(x1, y1, x2, y2, cls)** ，而且这里的gt\_box是经过缩放的。  
im\_info： 1\*3 **（h,w,scale）**

rpn\_cls\_score是cls层输出的18通道，shape可以看成是1\*18\*H\*W.

输出为4个量：

rpn\_labels ： (1, 1, 9 \* height, width)

rpn\_bbox\_targets（回归目标）： (1, 36，height, width)

rpn\_bbox\_inside\_weights（内权重）：(1, 36，height, width)

rpn\_bbox\_outside\_weights（外权重）：(1, 36，height, width)

通俗地来讲，这一层产生了具体的anchor坐标，并与groundtruth box进行了重叠度计算，输出了kabel与回归目标。

regression可以利用rpn\_bbox\_pred，rpn\_bbox\_targets，rpn\_bbox\_inside\_weights，rpn\_bbox\_outside\_weights计算SmoothL1Loss，输出rpn\_loss\_bbox。

回到我们之前有一个问题rpn\_bbox\_pred的shape怎么构造的。其实从rpn\_bbox\_targets的生成过程中可以推断出应该采用后一种，即第一个盒子的回归量(dx1,dy1,dw1,dh1),第二个为(dx2,dy2,dw,2,dh2).....，这样顺序着来。

from：[https://blog.csdn.net/alibabazhouyu/article/details/80875383][https_blog.csdn.net_alibabazhouyu_article_details_80875383]

### RPN结构流程图： ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwODE1MjM3_size_16_color_FFFFFF_t_70 1][]

Note：

1.  只有在train时，cls+reg才能得到强监督信息(来源于ground truth)。即ground truth会告诉cls+reg结构，哪些才是真的前景，从而引导cls+reg结构学得正确区分前后景的能力；在测试阶段，就要靠cls+reg自力更生了。
2.  在train阶段，会输出约2000个proposal，但只会抽取其中256个proposal来训练RPN的cls+reg结构；到了测试阶段，则直接输出最高score的300个proposal。此时由于没有了监督信息，所有RPN\*\*并不知道这些proposal是否为前景\*\*，整个过程只是惯性地推送一波无tag的proposal给后面的Fast R-CNN。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwODE1MjM3_size_16_color_FFFFFF_t_70 2][]

1、在 **RPN头部** ，通过以下结构生成 **anchor**（其实就是一堆有编号有坐标的bbox）；

2、在 **RPN中部**， **分类分支（cls）** 和 **边框回归分支（bbox reg）** 分别对这堆anchor进行计算。**Note：** two stage型的检测算法在RPN **之后** 还会进行 **再一次** 的 **分类任务** 和 **边框回归任务**，以进一步提升检测精度；

3、在 **RPN末端**，通过对 两个分支的结果进行汇总，来实现对anchor的 **初步筛除**（先剔除越界的anchor，再根据cls结果通过NMS去重）和 **初步偏移**（根据bbox reg结果），此时输出的都改头换面叫 **Proposal** 。

--------------------

# **损失函数\_add\_losses** #

faster rcnn包括两个损失：rpn网络的损失+rcnn网络的损失。其中每个损失又包括分类损失和回归损失。分类损失使用的是交叉熵，回归损失使用的是smooth L1 loss。

其中rpn\_cross\_entropy和rpn\_loss\_box是RPN网络的两个损失，cls\_score和bbox\_pred是rcnn网络的两个损失。前两个损失用于判断archor是否是ground truth（二分类）；**后两个损失的batchsize是256。**

将rpn\_label(1,?,?,2)中不是-1的index取出来，之后将rpn\_cls\_score(1,?,?,2)及rpn\_label中对应于index的取出，计算sparse\_softmax\_cross\_entropy\_with\_logits，得到rpn\_cross\_entropy。

计算rpn\_bbox\_pred(1,?,?,36)和rpn\_bbox\_targets(1,?,?,36)的\_smooth\_l1\_loss，得到rpn\_loss\_box。

rpn_bbox_targets= bbox_targets = _compute_targets(anchors, gt_boxes[argmax_overlaps, :])  # 通过archors和archors对应的正样本计算坐标的偏移

计算cls\_score（256\*21）和**label**（256个正样本和负样本对应的真实的类别）的sparse\_softmax\_cross\_entropy\_with\_logits：cross\_entropy。

labels, rois, roi_scores, bbox_targets, bbox_inside_weights = _sample_rois(all_rois, all_scores, gt_boxes, fg_rois_per_image, rois_per_image, _num_classes) # 选择256个archors

计算bbox\_pred（256\*84）和bbox\_targets（256\*84）的\_smooth\_l1\_loss：loss\_box。

最终将上面四个loss相加，得到总的loss（还需要加上regularization\_loss）。

至此，损失构造完毕。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW8zNDczMTY1Njg_size_16_color_FFFFFF_t_70][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW8zNDczMTY1Njg_size_16_color_FFFFFF_t_70 1][]

def _add_losses(self, sigma_rpn=3.0):
        with tf.variable_scope('LOSS_' + self._tag) as scope:
            rpn_cls_score = tf.reshape(self._predictions['rpn_cls_score_reshape'], [-1, 2])  # 每个archors是正样本还是负样本
            rpn_label = tf.reshape(self._anchor_targets['rpn_labels'], [-1])  # 特征图中每个位置对应的是正样本、负样本还是不关注（去除了边界在图像外面的archors）
            rpn_select = tf.where(tf.not_equal(rpn_label, -1))    # 不关注的archor到的索引
            rpn_cls_score = tf.reshape(tf.gather(rpn_cls_score, rpn_select), [-1, 2])    # 去除不关注的archor
            rpn_label = tf.reshape(tf.gather(rpn_label, rpn_select), [-1])        # 去除不关注的label
            rpn_cross_entropy = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=rpn_cls_score, labels=rpn_label))  # rpn二分类的损失
     
            rpn_bbox_pred = self._predictions['rpn_bbox_pred']  #  每个位置的9个archors回归位置偏移
            rpn_bbox_targets = self._anchor_targets['rpn_bbox_targets']   # 特征图中每个位置和对应的正样本的坐标偏移（很多为0）
            rpn_bbox_inside_weights = self._anchor_targets['rpn_bbox_inside_weights']  # 正样本的权重为1（去除负样本和不关注的样本，均为0）
            rpn_bbox_outside_weights = self._anchor_targets['rpn_bbox_outside_weights']   #   正样本和负样本（不包括不关注的样本）归一化的权重
            rpn_loss_box = self._smooth_l1_loss(rpn_bbox_pred, rpn_bbox_targets, rpn_bbox_inside_weights, rpn_bbox_outside_weights, sigma=sigma_rpn, dim=[1, 2, 3])
     
            cls_score = self._predictions["cls_score"]  # 用于rcnn分类的256个archors的特征
            label = tf.reshape(self._proposal_targets["labels"], [-1])   # 正样本和负样本对应的真实的类别
            cross_entropy = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=cls_score, labels=label))   # rcnn分类的损失
     
            bbox_pred = self._predictions['bbox_pred']   # RCNN, bbox loss
            bbox_targets = self._proposal_targets['bbox_targets']    # 256*(4*21)的矩阵，只有为正样本时，对应类别的坐标才不为0，其他类别的坐标全为0
            bbox_inside_weights = self._proposal_targets['bbox_inside_weights']  # 256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0
            bbox_outside_weights = self._proposal_targets['bbox_outside_weights']   # 256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0
            loss_box = self._smooth_l1_loss(bbox_pred, bbox_targets, bbox_inside_weights, bbox_outside_weights)
     
            self._losses['cross_entropy'] = cross_entropy
            self._losses['loss_box'] = loss_box
            self._losses['rpn_cross_entropy'] = rpn_cross_entropy
            self._losses['rpn_loss_box'] = rpn_loss_box
     
            loss = cross_entropy + loss_box + rpn_cross_entropy + rpn_loss_box  # 总共的损失
            regularization_loss = tf.add_n(tf.losses.get_regularization_losses(), 'regu')
            self._losses['total_loss'] = loss + regularization_loss
     
            self._event_summaries.update(self._losses)
     
        return loss

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwODE1MjM3_size_16_color_FFFFFF_t_70 3][]

[70]: /images/20221120/dc453e46396e4728a7609c8c6488761b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwODE1MjM3_size_16_color_FFFFFF_t_70]: /images/20221120/9ed08fe6f30d486e814ba478611d8e63.png
[20190625101504137.png]: /images/20221120/b93f593c716c4af08ddad6856ca7e354.png
[https_blog.csdn.net_N_Sapientia_article_details_81487968]: https://blog.csdn.net/N_Sapientia/article/details/81487968
[20170325185014552]: /images/20221120/fa357996795a4425a8aa84f9b5b10ae1.png
[2019062510591126.png]: /images/20221120/88f45daa84a14c2788593994e4ecf986.png
[https_blog.csdn.net_alibabazhouyu_article_details_80875383]: https://blog.csdn.net/alibabazhouyu/article/details/80875383
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwODE1MjM3_size_16_color_FFFFFF_t_70 1]: /images/20221120/1ad2fd0642534945a4e4d385ba192c6b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwODE1MjM3_size_16_color_FFFFFF_t_70 2]: /images/20221120/ac7a282362084740aa2318192b1f4094.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW8zNDczMTY1Njg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20181216092749928.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW8zNDczMTY1Njg=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW8zNDczMTY1Njg_size_16_color_FFFFFF_t_70 1]: /images/20221120/b81c7d4521eb4be787c1f0123b8506fc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwODE1MjM3_size_16_color_FFFFFF_t_70 3]: /images/20221120/720b4f639ba8435793c0f1edeca98b84.png