Faster R-CNN改进篇（二）： RFCN ● RON

@改进1：RFCN

论文：R-FCN: Object Detection via Region-based Fully Convolutional Networks    【点击下载】

MXNet代码：【Github】

一. 背景介绍

RCNN 在目标检测上取得了很大的成功，比如 SPPnet、Fast R-CNN、Faster R-CNN 等，这些方法的典型特征都是 一个二分网络，以 ROI Pooling 为界，前面子网络用于特征提取，后面子网络用于 目标检测（Per ROI），带来的问题是 后面的子网络需要对每一个 ROI（Candidate）进行重复计算。

这种模式的形成是有原因的：Detection 来自于前期的分类网络（如 AlexNet、VGG），最后一个 Spatial Pooling 层直观对应到 RoI Pooling，这算是一个历史问题。

新提出的几个网络（ResNet、GoogLeNets）原生就是全卷积网络，因此也就将这种结构天然的对应到 Detection 问题上，想在 ResNet 上实现Detection，需要增加一个 ROI Pooling 层，但插入的位置很关键（每个 ROI 候选框对应一次计算，对应 后面子网的计算量 x N）：

• 越靠近 Input - 对应 ROI-Wise 检测子网越深，准确度也就越高；
• 越靠近 Output - 对应 ROI-Wise 子网越浅，针对每个 ROI 计算量就越小，效率提高；

PS：减少 Proposal（ROI）的数量也是一个好办法，这对 Proposal 的要求会比较高（根据得分排序），先不讨论这种思路。

通过上面 可选的方案对比，可以看到 R-CNN 直接输入 Proposal，因此整个网络都用作检测，Faster 保留了后面10层用于检测，而作者新提出的方法则是 将 101 层全部用于共享，那么这种方案的可行性是怎么来保证的呢？

二. 提出框架

作者首先分析了 分类/检测 这两类问题的区别：

● 分类问题 - 具有平移不变性(Translation Invariance)；

● 检测问题 - 在一定程度上具有平移敏感性 (Translation Variance)；

通过 RoI pooling 的插入，打破了原卷积网络的平移不变性，但这种做法牺牲了训练和测试效率（Region-Wise）。

针对上述问题，作者提出了 一种新的卷积层 - Position Sensitive 的 Score Map，Score Map 包含了位置信息，如下图所示：

有两个关键层：

1）包含多个 Score Map 的卷积层；

把目标分割成了 k*k 个部分（比如3*3），每个部分映射到一张 Score Map 上，每个 Score Map 对应目标的一部分（如上图中的 top-left 左上角的 1/9）。

最终得到 k*k 个Score Map，每一个 Map通道数为 分类个数 C+1。

2）一个 ROI Pooling 层；

这个 ROI 层仅针对上面的其中一个 Score Map 执行 Pooling 操作，重新排列成 k*k，通道数为 C+1。

ROI Pooling 层通过 k*k 个 Part 进行投票，得到分类结果。

Score Map 和 ROI Pooling 层的工作方式示意如下：

三. 网络结构

R-FCN 沿用了 Faster RCNN 的网络结构，通过 RPN 生成 Proposal，RPN 层与 Detection 共享前面的特征层：

R-FCN 的基础网络部分是基于 ResNet101 的修改：

1）共享卷积子网

去掉了最后的 average pooling 层和全连接层，并新增了一个卷积层进行降维，共101个卷积层。

2）RPN 子网

与 Faster 一致，没有变化。

3）检测分类子网

1个 Score Maps层 + 1个 ROI Pooling层，上一节提到的两个关键层，与 RPN 并联。

> Scores Map & ROI 具体过程：

Scores Maps 的组合是卷积层的关键部分，描述了目标的 Score 信息，每一个 Score Map 对应目标的一部分，比如 上图中黄色 Map 始终表示左上角，其 C+1 维通道表示了 分类类别（C个类别＋1个背景）。

Pooling 过程：结合 ROI （W‘，H’）来看，bin（Pool之后得到的9个不同的颜色块） 的尺寸描述为 （W‘／k，H’／k），对于上面的 3*3 的情况，每一个 bin 用公式来描述：

其中 i,j 取值为［0，k)，理解为在 ROI 对应的其中一个 Map 上，采样其中的 1/9，上图中黄色 Map的采样范围始终为左上角，最右侧浅蓝色始终采样右下角。

投票过程是（每个类单独计算）通过多个 bin 求和得到 一个类的 Score，并通过 Softmax 进行分类，Loss 函数定义为：

分类 Loss 和 回归 Loss 通过一个参数 λ 加权平均，Lreg 同样采用 L1 Smooth。

四. 实验结果

在 VOC07，VOC12，MS COCO 上的测试对比结果，具体的配置和细节可以参考原文，R-FCN 与 Faster R-CNN 的对比，效果几乎相同，但效率有了成倍的提升。

@改进2：RON

论文：RON: Reverse Connection with Objectness Prior Networks for Object Detection    【点击下载】

Caffe代码：【Github】

一. 背景介绍

论文首先阐述了 Region-Based 方法在精确度上的优点，以及 Region-Free 方法在效果上的表现，想结合这两类方法，提出一种新的方法。

该方法包括三个方面：

1）提出一种新的全卷积网络 RON；

第一，通过 Reverse Connection 为前一层 Feature 提供更多语义信息，第二，Objectness Prior 有效约束了目标搜索区域，最后，通过多任务 Loss 让整个网络实现 end-to-end 训练。

2）引入 Negative example mining（副样本挖掘） 和 data augmentation（数据增强），有效提高检测效果；

3）有效节约 计算时间 和 计算资源，1.5G显存＋15fps，比 Faster R-CNN快3倍；

另外，我们还拓展了更多的设计选择，像不同层的合并，可选的Objectness Prior ，and so on。

这里面只有 1）算是文章创新，也是本文的核心；

2）顶多算是引入了别人的 Trick，不用考虑；

3）把功能性能搞混了吧，搞学术的童鞋凑数的本领强！

二. 算法框架

基础框架为 VGG16，将其中的 FC6，FC7 替换为卷积层，并通过 2*2的卷积核（stride＝2）将 FC7 的分辨率减半，FC8 未使用。

特征图尺寸（基于 input 的缩放比例）分别为：1/8 (conv 4_3), 1/16 (conv 5_3), 1/32 (conv 6) , 1/64 (conv 7)。

Follow 论文组织结构往下看：

1）Reverse Connection（反向连接）

与作者之前的 HyperNet 一样，采用 反卷积（Deconv）将当前层的语义信息反馈到上层，通过一个上采样与之前层进行 融合。

多尺度信息能够对小目标有更好的检测精度，这一点都有共识了，通过 conv4、5、6、7 各特征层分别进行检测。

2）Reference Boxes（参考框）

参考框的提出与 Faster RCNN 里的 Anchor 类似，这里采用的是 2个尺度，5种长宽比 {1/3,1/2,1,2,3}，对应 10个 Anchor。

尺度公式描述为：

Smin 取值为 Input 尺寸的 1/10，对于 1000*1000的 image，Smin ＝ 100，对应每个特征图 k 得到：

k=1,   S1 = (100,200)

k=2,   S2 = (300,400)

k=3,   S3 = (500,600)

k=4,   S4 = (700,800)

3）Objectness Prior（目标先验）

对应上一节提出的 参考框（default boxes），只有很少一部分框包含目标，其余大部分都是无效的背景，Region-Based 方法能够通过预计算来解决这个问题，有效避免每个 Region 带来的重复计算。作者提出的方法与之不同：

用一个3x3x2的卷积 加 一个 Softmax 来表示每个 Box 里面是否存在目标。

PS：与 RPN 的区别在于这里只有一个 2位的 Score（目标Score，背景Score），没有位置偏移。

下图是 Prior 的一个可视化效果（很明显地反映有无目标）：

图中对10个目标先验特征图沿通道方向取了平均。

4）Detection and Bounding Box Regression（检测和边框回归）

与 Objectness Prior 不同，这里要把目标分为 K+1个类：对应 VOC（20+1） COCO（80+1）。

这里引入了 inception 模块，看图说话：

5）Combining Objectness Prior with Detection（结合目标先验和检测）

训练网络时，首先为每个候选区域指定一个二进制 Label。如果候选区域包含目标，就再指定一个 特定类别 Label。

i）对每一个 Ground Truth Box，找到和它重叠面积最大的候选区域；

ii）对每个候选区域，找到和它重叠面积大于0.5的 Ground Truth；

这种匹配策略保证每一个 Ground Truth 至少有一个候选框与之关联，重叠比例小于0.3的作为负样本。

这样，每一个 Box 有两个 Label，Objectness（是否为目标） Label，Class Label。训练的时候网络会根据 Objectness Prior 动态更新 Class Label。

    > 前向传播时，网络首先产生目标先验，并进行类别检测。

    > 反向传播时，网络首先会产生目标先验，然后对于检测，只会在 Objectness 得分大于某个阈值的区域内进行目标检测，如下图所示。

额外的计算仅仅在于为反向传播选择训练样本。当选择合适的阈值时（我们选择阈值为0.03），样本的数量减少了，这样反向传播的时间就缩短了。

三. 训练及测试结果

● Loss函数：

先来看 Loss 函数定义：

将 目标检测Loss、定位Loss、分类Loss 组成一个加权 Loss 函数，原文 3个项都为 1/3。

   ● 训练过程：

a）对于 Objectness Prior，选择全部的正样本，随机选取负样本，保证正负样本的比例为1:3；

b）对于 Detection，首先通过 Objectness Prior Score 减少样本数量，然后选择全部的正样本，随机选取负样本，保证正负样本的比例为1:3；

Faster RCNN 和 RFCN 常常用 Multi Stage 训练 做联合优化，相比之下，我们这种端到端的训练方法更有效率。训练初期，目标先验是一片吵杂。随着训练的进行，目标先验图越来越集中在目标附近。（这一点确实不敢苟同，Multi Stage 的作用保证的是更快收敛）。

● 数据增强：

使用了如下策略：

1）使用 原始／翻转 的Image 做 Input；

2）按照比例 { 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 } 从原图中 Crop Patch，保证每个 Patch 中包含目标中心；

这些方法可以有效增加大目标数量，对小目标没有帮助。

针对小目标，通过 Scale 将某个尺度下的大目标变成 较小的尺度下的小目标，这个训练策略可以避免对特定目标尺寸的过拟合。

● 预测：

每个 Box 的类置信度表示为：

这个得分包含两部分，一是 Objectness 的概率，二是目标的类别概率。

得到目标 Score之后，通过边框回归调整 Box位置，最后用 NMS 得到最终检测结果。

● 效果对比：

作者分别在 VOC07，VOC12，COCO 数据集上给出了测试结果，我们只贴出来 VOC12 的效果对比：

其他数据集 测试结果都差不多，总体上效果还是不错的，大家可以跑代码之后对比。