Faster RCNN网络数据流总结

前言

在学习Faster RCNN时，看了许多别人写的博客。看了以后，对Faster RCNN整理有了一个大概的了解，但是对训练时网络内部的数据流还不是很清楚，所以在结合这个版本的faster rcnn代码情况下，对网络数据流进行总结。以便自己更好地掌握Faster rcnn。

训练时的数据流

在这个版本的代码中，训练时的batch_size为1。原论文中的网络架构如下所示：

$\stackrel{◯}{1}$ 网络输入

第一部分是网络的输入。网络的输入是一个任意大小的图像，但是在被送入网络之前，会经过一个缩放操作，然后进行normalize。对图像进行缩放的同时，也要对gt_bbox（ground truth bounding box，真实边界框）进行同样的缩放。
具体是怎么缩放的呢？参考这里的代码。

def preprocess(img, min_size=600, max_size=1000):# img: 输入图像# min_size: 图像放缩的最小大小# max_size: 图像放缩的最大大小C, H, W = img.shapescale1 = min_size / min(H, W)scale2 = max_size / max(H, W)scale = min(scale1, scale2)img = img / 255.# resize缩放大小  长和宽等比例缩放img = sktsf.resize(img, (C, H * scale, W * scale), mode='reflect',anti_aliasing=False)

这样的等比例缩放方式，结果就是要么原图较长的边被放大为1000，要么原图较短的边被放大为600。整体上来看是设定了一个放大后的最大最小范围。因为batch_size为1，所以每一张图像缩放后的大小可以不一样，如果batch_size不为1，那么这一个batch内的所有图像缩放后的大小就必须一样。在接下来的讨论中我们忽略batch维度（因为batch是1）

$\stackrel{◯}{2}$ 特征提取网络

第二部分是特征提取模块。这里的特征提取网络是VGG16，只不过去掉了最后的几层全连接。这里感觉唯一要注意的地方就是，输入图像经过VGG16，大小缩小了16倍（因为有4个池化层），维度增加到了512维度。
如果输入图像$I^{input}$的大小是$\left[3,x,y\right]$，那么经过特征提取的特征图$I^{feature}$的大小是$\left[512,\frac{x}{16},\frac{y}{16}\right]$。

$\stackrel{◯}{3}$ RPN网络

RPN网络的输入是特征图，先经过通道数为512的3x3卷积，输出仍为$\left[512,\frac{x}{16},\frac{y}{16}\right]$。
右边这个分支为通道数为36（36是因为每个点有9个anchor，每个anchor有4个坐标）的1x1卷积，输出为$\left[36,\frac{x}{16},\frac{y}{16}\right]$，然后对其进行reshap为$\left[anchor的总数,4\right]$大小，记为rpn_loc。
左边这个分支为通道数为18（18是因为每个点有9个anchor，每个anchor要么是背景要么是前景，两种可能）的1x1卷积，输出为$\left[18,\frac{x}{16},\frac{y}{16}\right]$。然后对其经过softmax处理，最终的输出大小为$\left[anchor的总数,2\right]$，记为rpn_score。

上述这点清楚以后，我们接下来重点关注RPN网络是如何计算损失的，称之为$Los{s}^{RPN}$。我们都知道，计算loss需要网络输出值和标签值，现在网络输出值已经有了，那么标签值从何而来呢？
从上图可以看到有一个AnchorTargeCreator模块，这个模块的输入是我们产生anchor和gt_bbox，计算出anchor与gt_bbox的真实偏差gt_rpn_loc和该anchor到底负责的是背景还是前景gt_rpn_label。我们就分别将gt_rpn_loc和gt_rpn_label作为标签值与rpn_score、rpn_score计算损失，两个损失之和即为$Los{s}^{RPN}$。损失的具体计算公式这里我们不谈。

在bbuf大佬的解读里，“AnchorTargetCreator 就是将 20000 多个候选的 Anchor 选出 256 个 Anchor 进行分类和回归。”代码里也是采样出了256个样本，但是最后返回的真实标签值是所有的anchor大小，而不是256大小。

ProposalCreator模块的含义如下：

综上，rpn网络除了自身反向传播训练之外，还通过ProposalCreator模块输出2000个anchor。

$\stackrel{◯}{4}$ ProposalTargetCreator模块

ProposalCreator模块输出2000个ROIS并不全部都使用，经过ProposalTargetCreator模块的筛选（通过与gt_bbox的IOU进行筛选）产生正负一共128个rois。同时输出这128个rois的gt_label和gt_loc。

$\stackrel{◯}{5}$ ROI pooling

这里的ROI pooling和fast rcnn中的是一样的，它的输入是特征图和128个rois。ROI Pooling将这些不同尺寸的区域全部pooling到同一个尺度（7x7）上。ROP pooling的输出输入给classifier。

$\stackrel{◯}{6}$ classifier

这里的classifier如下图紫色框出的所示。

这块的全连接网络可以借用VGG16的全连接网络，代码中也是这么做的。
21代表总共有21类，每个anchor属于每个类的概率，输出为$[128,21]$；84 = 21 *4，对每个类别都会有一个坐标信息，输出为$[128,84]$，然后分别和gt_label、gt_loc计算损失后相加即为classifier的损失。
suppress为推理时的非极大值抑制，训练时用不到。

反向传播

综上所述，我们将rpn网络的损失和classifier的损失相加，然后进行反向传播即可更新参数。
最后放上BBuf大佬总结的faster rcnn的网络流程图。

本人才识浅薄，若博文中有不正确的地方，欢迎大家进行批评指正，谢谢。
参考连接：giantpandacv
simple-faster-rcnn-pytorch