Faster RCNN 算法_面试版

Posted 2023-03-25

参考技术A 参考链接：

Faster RCNN 学习笔记 ：https://www.cnblogs.com/wangyong/p/8513563.html

总结faster r-cnn可能会问到的面试问题：https://blog.csdn.net/qq_43477550/article/details/105584364

快速理解RPN：https://zhuanlan.zhihu.com/p/138515680

RoIPooling和ROI Align以及双线性插值法：https://blog.csdn.net/ifreewolf_csdn/article/details/101352352

参考书本：

深度学习之pytorch物体检测实战，第二篇：物体检测经典框架，第四章：两阶经典检测器： Faster RCNN

1、Faster RCNN 是什么

Faster RCNN 是在 Fast RCNN 的基础上，引入了 RPN 网络来代替 Fast RCNN 中的选择性搜索算法来生成候选区域，使得目标检测速度大大提高。Faster RCNN 的网络结构是使用 VGG16 卷积阶段的网络层来提取特征，然后分别传入到 RoI 池化层和 RPN 网络中，RPN 网络得到 RoI 后跟特征图一起传入到 RoI 池化层，获得固定尺寸大小的输出，最后再传入到多层全连接层中，同时得到分类得分和边框坐标偏移量回归的预测结果

2、Faster RCNN 的网络结构图

3、Faster RCNN 的算法步骤

第一步：将原图除以缩放因子来变换图片的尺寸，图像短边不超过600，图像长边不超过1000。然后输入到 VGG16 卷积阶段的网络层来提取特征，生成特征图

第二步：将特征图分别输入到 RPN 网络中以及 RoI 池化层中，RPN 的过程

1、在特征图上滑动使用 3*3 卷积，通过融合周边特征，加强特征的鲁棒性，获得新的特征图

2、由于特征图上的每一个特征点都对应了 9 个 anchors ，所以可以使用 1*1 卷积来代替全连接层，预测每一个 anchor 的分类得分以及坐标偏移量

3、在训练 RPN 网络阶段，首先按照规则生成全部 anchors ，然后将超过图像边界的 anchors 剔除掉，然后计算 anchors 跟所有真值的 IoU，对于每个真值跟其有最大 IoU 的 anchor 标记为正样本，IoU > 0.7 的也标记为正样本， IoU < 0.3 的标记为负样本，然后从中随机抽取正负样本比例为 1:1，总数为 256 个 anchors 作为训练样本，而其余的 anchor 则不参与训练。然后将每个 anchor 跟它有最大 IoU 的真值标记为它的真值。然后计算 anchors 跟真值的坐标偏移量，然后用来训练 RPN 网络

4、在训练 Faster RCNN 网络阶段，首先按照规则生成全部 anchors，然后利用 2 中预测的坐标偏移量来校正 anchors 的坐标，然后将超过图像边界的 anchors 坐标修整到图像边界。然后按 anchors 的分类得分来进行降序排序，保留分类得分的前 12000 个 anchors，然后使用非极大值抑制。然后选取分类得分前 2000 个 anchors 作为候选框。然后计算所有的候选框跟真值的 IoU，对于任意一个候选框，如果它跟所有的真值的最大 IoU 大于等于 0.5，则标记为正样本，否则标记为负样本。然后从中随机抽取正负样本比例为 1:3，总数为 256 的 RoI 作为训练样本。然后将每个 RoI 跟它有最大 IoU的真值标记为它的真值，然后计算 RoI 跟真值的坐标偏移量。

第三步：RoI 池化层的过程：

1、将 RoI 跟特征图输入到 RoI 池化层中

2、将 RoI 的坐标除以 VGG16 网络的下采样率 16 ，并向下取整，得到它在特征图中的坐标

3、将 RoI 划分为 7*7 大小的网格，每个网格的宽和高分别由 RoI 区域的宽和高除以 7 并向下取整来得到

4、在每个网格里使用最大值池化，输出 7*7 大小的特征图

第四步：RoI 池化层后接多层全连接层，然后再接两个并行的预测分支，分别预测分类得分和边框坐标偏移量

4、Faster RCNN 的优点

1、相对于 Fast RCNN，Faster RCNN 使用 RPN 网络来取代了选择性搜索算法来生成候选区域，在训练和测试阶段的速度都大大地提高了，也节省了存储空间

2、相对于 Fast RCNN 不是端到端的形式，Faster RCNN 将生成候选区域阶段也融入到了神经网络中，使得 Faster RCNN 变成了端到端的形式

3、Faster RCNN 通过两阶段网络与 RPN，实现了精度较高的物体检测性能

4、Faster RCNN 是两阶段网络，相对于其他一阶段网络，两阶段网络更加精准，尤其是针对高精度、多尺度以及小物体问题上，两阶段网络的优势更明显

5、Faster RCNN 的缺点

1、卷积网络：卷积网络提取到的特征图是最后一个卷积阶段的特征，并没有融合多个阶段的特征，而且分辨率通常也较小，这些都不利于小物体及多尺度的物体检测

2、非极大值抑制：非极大值抑制本身的过滤对于遮挡物体不是特别友好，本身属于两个物体的候选框有可能因为非极大值抑制而被过滤为 1 个，造成漏检

3、RoI 池化层：RoI 池化层有两次对坐标进行向下取整的操作，会导致 RoI 的坐标跟在原图中的坐标产生偏差，使得网络回归的效果变差，特别是对于小物体检测的时候，影响更大。而且第二次的向下取整操作，会导致只提取了 RoI 部分区域的特征，会影响网络的学习效果

4、全连接网络：原始的 Faster RCNN 最后使用全连接网络，这部分全连接网络占据了网络的大部分参数，并且 RoI 池化层后每一个 RoI 都要经过一遍全连接网络，没有共享计算

5、正负样本数量：在 RPN 及 RCNN 部分，都是通过超参数来限制正负样本的数量，以保证正负样本的均衡。而对于不同任务与数据，这种正负样本均衡方法不一定是最有效的

6、两阶段网络：RPN 与 RCNN 两个阶段分工明确，带来了精度的提升，但速度相对较慢，实际实现上还没有达到实时

6、Faster RCNN 的损失函数

Faster RCNN 的损失分别由 RPN 的分类得分损失、RPN 的坐标偏移量回归、 RCNN 的分类得分损失和 RCNN 的边框回归损失，总共四部分组成，其中 RPN 的分类得分损失函数和 RCNN 的分类得分损失函数使用交叉熵，而 RPN 的坐标偏移量回归损失函数和 RCNN 的边框回归损失则使用 smooth_L1 

具体表达式为：

假设   为其预测值，带 * 号的则是其真值，  则是多任务平衡系数，  表示只选取 u 大于 1 的部分，因此

注：RPN 中是二分类，而 RCNN 中则是类别数 + 1

RPN 回归中的正样本数量为 128，而 RCNN 中的正样本数量为 64

7、RPN 的步骤(面试重点)

RPN 是一个全卷积网络，可以输入任意尺寸的图像，然后生成候选区域，它的具体过程是：

1、在特征图上使用 3*3 卷积，通过融合周边特征，加强特征的鲁棒性，获得新的特征图

2、由于特征图上的每一个特征点都对应了 9 个 anchors ，所以可以使用 1*1 卷积来预测每一个 anchor 的分类得分以及坐标偏移量

3、首先按照规则生成全部 anchors ，然后将超过图像边界的 anchor 剔除掉，然后计算保留下来的 anchors 跟所有真值的 IoU，对于每个真值跟其有最大的 IoU 的 anchor 标记为正样本，IoU > 0.7 的也标记为正样本， IoU < 0.3 的标记为负样本，然后从中随机抽取正负样本比例为 1:1，总数为 256 个 anchors 作为训练样本，而其余的 anchor 则不参与训练。然后计算作为训练样本的 anchors 跟真值的坐标偏移量

4、首先按照规则生成全部 anchors，然后利用 2 中预测的坐标偏移量来更新 anchors 的坐标，然后将超过图像边界的 anchors 坐标修整到图像边界，得到最初的候选框。然后按 anchors 的分类概率来进行降序排序，保留概率大的前 12000 个 anchors，然后使用非极大值抑制。然后选取前 2000 个 anchors 作为候选框

5、筛选候选框得到 RoI，首先计算所有的候选框跟真值的 IoU，对于任意一个候选框，如果它跟所有的真值的最大 IoU 大于等于 0.5，则标记为正样本，否则标记为负样本。然后从中随机抽取正负样本比例为 1:3，总数为 256 的 RoI 作为训练样本。同时计算每个 RoI 所对应的类别，以及真值的偏移量。

8、RoI 池化是什么(面试重点)

RoI 池化是输入任意尺寸的图像，然后得到固定尺寸大小的输出。它的具体过程是：

1、将 RoI 跟特征图输入到 RoI 池化层中

2、将 RoI 的坐标除以 VGG16 网络的下采样率 16 ，并向下取整，得到它在特征图中的坐标

3、将 RoI 划分为 7*7 大小的网格，每个网格的宽和高分别由 RoI 区域的宽和高除以 7 并向下取整来得到

4、在每个网格里使用最大值池化

5、输出 7*7 大小的特征图

9、ROI Align 是什么(面试重点)

RoI Align 是对 ROI 池化的改进，主要是在于取消了计算坐标时的向下取整操作，以及避免了只对 ROI 部分区域选取特征的缺点，它的具体过程是：

1、将 RoI 跟特征图输入到 RoI 池化层中

2、将 RoI 的坐标除以 VGG16 网络的下采样率 16 ，但是不进行向下取整的操作，得到它在特征图中的坐标

3、将 RoI 划分为 7*7 大小的网格，每个网格的宽和高分别由 RoI 区域的宽和高除以 7 得到，但是不进行向下取整的操作

4：将每个网格划分为大小相同的 4 个小方格，每个小方格内各取一个点，该点的坐标则为小方格的中心点，而该点的像素点，则由特征图上相邻的 4 个特征点使用双线性插值来得到。然后对每个网格都使用最大值池化

5：输出尺寸大小为 7*7 的特征图

10、1*1 卷积的作用

1*1 卷积的作用是按特征图的跨通道来融合特征，同时保持特征图的平面结构，以及可以改变通道数，实现升维和降维。而且它还可以输入任意尺寸的特征图，所以也可以用来取代全连接层，保持特征图的平面结构。

11、坐标偏移量的计算公式

假设真值的坐标中心点为  ，宽和高分别为  ，而 anchor 的坐标中心点为  ，宽和高分别为 

则

其中 除以   的目的是为了进一步限制偏移量的范围，便于预测

12、Faster RCNN 的优化点

13、非极大值抑制(NMS)的具体过程

非极大值抑制是将标记为同一个类别的候选框中，只保留概率大的候选框

第一步：对于同一个类别的候选框，取概率最大的候选框为 A

第二步：计算 A 跟其他候选框之间的 IoU，如果 IoU 超过阈值则剔除掉，反之则保留

第三步：在保留下来的候选框中选择概率最大的候选框为 B，重复第二步

第四步：重复第三步，直到所有的候选框都不可再被剔除

14、SoftNMS 的具体过程

faster-rcnn算法总结

faster-rcnn的整体流程比较复杂，尤其是数据的预处理部分，流程比较繁琐。我写faster-rcnn系列文章的目的是对该算法的原始版本有个整体的把握，如果需要使用该算法做一些具体的任务，推荐使用mmdetection框架，该框架使用PyTorch写成，相比于原始的基于caffe python接口的版本就简洁优雅多了。下面对改算法的整体过程做一个梳理，分为训练过程(端到端的训练)和测试过程两部分。本文注重算法原理，因此直接从如下的数据输入开始：

layer 
  name: ‘input-data‘
  type: ‘Python‘
  top: ‘data‘
  top: ‘im_info‘
  top: ‘gt_boxes‘
  python_param 
    module: ‘roi_data_layer.layer‘
    layer: ‘RoIDataLayer‘
    param_str: "‘num_classes‘: 2"
  

一、训练过程

1、输入数据经过一个ConvNet得到一个feature map(backbone的输出)，记为bk_feat；

2、