R-CNN目标检测第三弹（Faster R-CNN）
今天，重看了 R-CNN 的终极改进版本 Faster R-CNN（NIPS 版）-本文提到的paper，若为特别指明，说的就是此版本。
先说一个学术趣事吧，R-CNN 的 一作是RGB大神，大神的导师也是DPM检测方法的作者；受到微软亚研院 Kaiming HeRGB博士SPP-Net工作的启发，RGB大神博士毕业后在微软 redmond 研究院做出了 Fast R-CNN；而本篇paper，则是Kaiming 和 RGB的合作产生；今年CVPR17 的mask R-CNN也是两位大神的大作。大神们的合作，我等只能膜拜...
闲话以后再扯，我们就来看这一次改进是怎么让 R-CNN faster的。
1. 缘起
1.1 Fast R-CNN的不足
尽管 Fast R-CNN通过 ROI Pooling Layer实现了对proposal深度特征的快速提取，又通过multi-loss的联合训练进一步提升了mAP。但是它依旧不完全是一个end-2-end的工作，下面详细列出：
- 和R-CNN一样，Fast R-CNN的region proposal生成依旧严重依赖于 Selective Search算法（简写为SS算法）。不仅在于SS算法比较耗时，还在于SS算法得到的proposal不一定适合于detection network。
1.2 Faster R-CNN的主要解决手段
针对 Fast R-CNN 存在的上述问题，Faster R-CNN主要采用以下方式来解决：
- 设计专门用于region proposal generating的网络：region proposal networks。该网络和fast r-cnn中的检测网络共享 conv layer的参数，通过anchor box来生成多个 region proposal，并给出每个proposal的object-ness score
- 设计multi-loss来对该 region proposal network进行优化。此外，依次对参数共享的region proposal network和detection network进行交替训练。
本文在Fast R-CNN 的基础上，采用其原有的detection network来对每张图片中的region proposal进行分类和重定位。另一方面，设计了Region Proposal Network 来生成proposal。
下面，我们主要探讨 region proposal network的构造与优化
2. Region Proposal Network
paper作者希望设计基于CNN model的region生成机制。
A Region Proposal Network（RPN）（也是CNN model）的以任意size的图像作为输入，输出一系列矩形目标proposals，每个proposal都自带一个object-ness score
为了节省计算量，作者将RPN前半部分的卷积层设计为和detection network的卷积层为共享（shared），在最后一层共享的conv layer后，作者设计了如下的类似sliding window的机制来生成proposal，并得到每个proposal的object-ness score。详细如下：
2.1 后续的proposal如何生成？
-
基本的生成流程
为了生成 region proposals，在最后一个共享 conv layer输出的conv feature map上，上下左右滑动一个小型的network。这个network全连接到conv feature map上的 (n,n)大小的子窗口上，对应每个子窗口，network的输出就是一个低维向量(256-d for ZF,512-d for VGG16)。而这个低维向量后面跟了两个分开的全连接层，其中一个是分类层：负责判定子窗口得到的proposal为object的概率，即计算object-ness score；而另一个则是回归层：负责对子窗口的位置信息进行更新（类似于detection network中的），即计算更精确的proposal的位置。
这里的n取3，事实上，这个滑动的network就是(3,3,input_dim,output_dim)的conv 层。
-
Anchors的引入
事实上，上述生成流程中，对每一个(n,n)子窗口，就可以得到关于这个子窗口的 object-ness score和位置信息的更新。但是proposal的size和aspect ratio 可能存在多种情况，例如目标人的height一般就是width的两倍以上，车辆则反过来。如果考虑多种长宽比的子窗口，那么就会出现组合爆炸，变成了真正的dense sample proposal，计算量太高。因此，对每个(n,n)子窗口，paper在提出采用旋转不变的 Anchors：
在每一个 sliding-window location，同时预测 k 个 region proposals，这样一来，分类层会输出k个object-ness score，回归层会输出k个对应的新的位置信息。
这k个proposal是相对 k个 anchor来说的。这里的k个anchor是一些以sliding-window的中心为中心，不同scale和aspect ratio的proposal。这里取3种scale和3种aspect-ratio，那么k=9。
假设conv feature map的大小为 (W,H)，那么anchors的个数为 WHK，这是因为在有边界padding的情况下，每个点都是sliding-window location。
一个重要的性质是：每个点的k个anchors，除了中心不同外，高度和宽度均一致。且对每种anchor，从子窗口到256-d的conv连接是共享的，是不随中心变化而变化的。
所以，现在再看k个anchors，实际上就是在conv feature map运行k个不同kernel size的conv 层。每个conv层后面接的就是分类全连接层和回归全连接层。
2.2 如何学习RPN？
RPN的loss其实和 Fast R-CNN中 detection的multi-loss十分类似。区别在于，detection network中的分类错误是对多类别的分类错误，回归错误只针对不是背景的proposal来做；而RPN 中的分类错误是针对 是否为物体的分类错误，回归错误则只针对是物体的anchor来做。这个loss的公式表达为：
$L({p_i},{t_i})=\frac{1}{N_{cls}}\sum_iL_{cls}(p_i, p_i^)+\lambda \frac{1}{N_{reg}}\sum_i p^i L{reg}(t_i, t^*_i)$
上式中的 $p_i$ 和 $p_i^$ 分别代表proposal经过分类层得到的object-ness预测概率和 proposal对应的gt bbox的label(1 or 0)，而 $t_i$ 和 $t_i^$ 则是proposal经过回归层预测出的位置信息以及 proposal对应的gt bbox的位置信息。当然这里的位置信息和R-CNN中的bbox regression一样，经过了参数化的。详见paper的第4页。
值得注意的是，这里的regression是针对k种anchors来进行训练的，即覆盖了多种scale和aspect-ratio下的bbox regression，这样做出的预测是更有针对性的。
RPN 训练时的正负样本定义：正样本包含两类：和每个gt bbox的IOU最大的anchor，以及和任意 gt bbox的IOU大于0.7的anchor。负样本为：和所有的 gt bbox的IOU均小于0.3的anchor。对于正样本某anchor，其回归层的回归目标就是那个和它IOU最大的gt bbox的位置信息。
接下来，就是通过类似 hierarchical sampling的方式采集正负样本，进行SGD训练来学习RPN。
2.2.1 一些训练细节
anchor boxes在训练和测试中的使用
由于anchor box是对子窗口进行不同scale和不同aspect-ratio变化得到的，因此存在大量的anchor boxes超出了图像的边界。在训练中，将超出了图像边界的anchor boxes全部忽略。在测试时，也不保留这些超出边界的anchor boxes（这里存疑，文中并未叙述清晰，需要看具体的代码），待得到最终的 proposal后，对于超出图像边界的proposal，截取其在图像内的部分作为proposal。
Non-maximum Suppression用于减少proposal
在RPN得到proposal之后，根据每个proposal的object-ness score来执行NMS（使用的IOU阈值为0.7），并留下前2000个proposal，作为detection network的输入
2.3 如何对RPN和detection network进行联合训练
由于节省计算量的关系，作者将RPN和detection network的前半部分设计为共享的。顺理成章，最好是进行联合训练。正如paper中第4页末尾所言，
需要开发一种技术来学习共享层的参数，而不是学习两个隔离开来的网络。但这并非简单地将RPN和detection network组合在一起进行联合训练，主要是因为：detection network的训练需要固定的object proposal作为输入。很难说，在对RPN进行优化（即逐步改变proposal的生成机制）时同时去优化detection network，因为不一定会收敛。
不过未来可以尝试开发联合学习，paper中给出的是：采用交替优化的四步训练算法：
- 从 imagenet pretrained的网络出发fine-tuning RPN
- 采用第一步得到的RPN来负责proposal generation，从 imagenet pretrained 的网络出发fine-tuning detection network
- 采用第二步得到的detection network的权重来初始化RPN的共享部分，并保持共享部分的权重不变，在第一步得到的RPN的ROI Pooling Layer及其后的层的权重的基础上fine-tuning RPN
- 采用第三步得到的RPN来负责proposal generation，保持共享部分的权重不变，在第二步detection network的FC层权重的基础上fine-tuning detection network。
3. 实验分析
3.1 RPN 对训练的提升
paper第5页的Table 1清晰展示了实验结果，以下结果说明了训练RPN时multi-loss的重要性
- 训练好RPN后，采用SS算法生成的proposal来训练detection network，然后在测试时采用RPN来生成proposal，mAP相对上面的方法略有下降
- 训练好不带分类输出的RPN后，采用SS算法生成的proposal来训练detection network，然后在测试时采用不刚刚训练的不带分类输出的RPN来生成proposal，mAP有大幅下降，下降的绝对值接近10%以上
- 训练好不带回归输出的RPN后，采用SS算法生成的proposal来训练detection network，然后在测试时采用不刚刚训练的不带回归输出的RPN来生成proposal，mAP有小幅下降，下降的绝对值接近5%以上
3.2 其它
- 采用的detection network的capacity越强，mAP也更高（from ZF-Net to VGG）
- 在整个的检测流程中，因为实现了RPN和detection network的共享，实际上proposal的生成几乎不耗费时间
我个人感觉，今后肯定能出现一个将RPN和detection network结合起来的工作...
