本文主要是介绍讲解 Faster R_CNN原理:，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Fast R-CNN改进
上图为论文中的图片
先使用CNN网络获得整体的特征图：这里可以卷积共享，加快速度
然后将原图中的Region Proposals(区域)映射到Feature Map中，获得一系 列RoI(感兴趣区域)
然后不再对每个RoI分别进行分类回归，而是通过类似SPP的RoI Pooling层 将不同大小的RoI汇集成相同大小，这样就可以用全连接层了，最后做分类回归
Fast R-CNN实现了end to end 模式（除了使用Selective Search搜索RoI）
端到端：除了输入和输出，所有中间计算都在神经网络中完成
图为几种网络训练耗时和测试耗时对比图 ，显然，卷积共享的确能大幅降 低时耗
从Test time中可以看出，寻找Region Proposals是另一个秒级别的时耗
Faster R-CNN 的三个组成部分思路包括：
1）基础特征提取网络
ResNet，IncRes V2，ResNeXt 都是显著超越 VGG 的特征网络，当然网络的改进带来的是计算量的增加。
2）RPN
通过更准确地 RPN 方法，减少 Proposal 个数，提高准确度。
3）改进分类回归层
分类回归层的改进，包括 通过多层来提取特征 和 判别。
*@改进1：ION*
提出了两个方面的贡献：
1）Inside Net
所谓 Inside 是指在 ROI 区域之内，通过连接不同 Scale 下的 Feature Map，实现多尺度特征融合。
这里采用的是 Skip-Pooling，从 conv3-4-5-context 分别提取特征，后面会讲到。
多尺度特征 能够提升对小目标的检测精度。
2）Outside Net
所谓 Outside 是指 ROI 区域之外，也就是目标周围的 上下文（Contextual）信息。
通过添加了两个 RNN 层（修改后的 IRNN）实现上下文特征提取。 上下文信息 对于目标遮挡有比较好的适应。
来看结构图：
> 多尺度特征
在 ROI 之后，从上图可以看到，分别从 3、4、5 层提取特征，然后再和context得到的特征做一个连接（concat），这样做的依据是什么呢？作者给出了实验验证结果：
可以看到 Conv2 是用不到的，和我们理解的一致（尺度太大），而特征提取是 通过 L2 Norm + Scale + 1x1 Conv 得到，因为不同 Feature 之间的尺度不一致，Norm 是必须的，通过 归一化 和 Scale 进行特征提取后，送到 FC全连接层进行 分类和回归，如上图所示。
> Contextual 上下文
和前面的多尺度的思路一样，上下文也不是一个新的概念，生成上下文信息有很多种方法，来看下对比示意：
文中用的是 多维的概念，上图（d）（4-dir），如下图所示：
与传统的双向 RNN 不同，文中 通过上下左右四个方向，并且通过两次 IRNN 来增加非线性，更加有效的结合全局信息，看实验效果：
*@改进2：多尺度之 HyperNet*
基于 Region Proposal 的方法，通过多尺度的特征提取来提高对小目标的检测能力，来看网络框图：
分为 三个主要特征 来介绍（对应上面网络拓扑图的 *三个红色框*）：
1）Hyper Feature Extraction （特征提取）
多尺度特征提取是本文的核心点，作者的方法稍微有所不同，他是以中间的 Feature 尺度为参考，前面的层通过 Max Pooling 到对应大小，后面的层则是通过 反卷积（Deconv）进行放大。
多尺度 Feature ConCat 的时候，作者使用了 LRN进行归一化（类似于 ION 的 L2 Norm）。
抛开具体方法不表，对小目标检测来讲，这种多尺度的特征提取已经算是标配，下图证明采用 1、3、5 的效果要更优（层间隔大，关联性小）。
2）Region Proposal Generation（建议框生成）
设计了一个轻量级的 ConvNet，与 RPN 的区别不大（为写论文强创新^_^）。
一个 ROI Pooling层，一个 Conv 层，还有一个 FC 层。每个 Position 通过 ROI Pooling 得到一个 13*13 的 bin，通过 Conv（3*3*4）层得到一个 13*13*4 的 Cube，再通过 FC 层得到一个 256d 的向量。
后面的 Score+ BBox_Reg 与 Faster并无区别，用于目标得分 和 Location OffSet。
考虑到建议框的 Overlap，作者用了 Greedy NMS 去重，文中将 IOU参考设为 0.7，每个 Image 保留 1k 个 Region，并选择其中 Top-200 做
Detetcion。
通过对比，要优于基于 Edge Box 重排序的 Deep Box，从多尺度上考虑比 Deep Proposal 效果更好。
3）Object Detection（目标检测）
与 Fast RCNN基本一致，在原来的检测网络基础上做了两点改进：
a）在 FC 层之前添加了一个 卷积层（3*3*63），对特征有效降维；
b）将 DropOut 从 0.5 降到 0.25；
另外，与 Proposal一样采用了 NMS 进行 Box抑制，但由于之前已经做了，这一步的意义不大。
训练过程
采用了 联合训练（joint training）的方法，首先对 Proposal 和Detection 分别训练，固定一个训练另一个，然后 joint 训练，即共享前面的卷积层训练一遍，具体可以参考原文给出的训练流程（这里不再赘述）。
效率改进
算法整体上和 Faster 运行效率相当，因为加入了多尺度的过程，理论上要比 Faster要慢，作者提出了提高效率的改进方法，将 Conv 层放在 ROI
Pooling 层之前，如下图所示：
实验效果对比
通过对比可以看到 mAP 比 Faster 提高了 1%，主要是多尺度的功劳，其他可以忽略，这一点需要正视。
*@改进3：多尺度之 MSCNN*
论文首先给出了不同的多尺度方法（参考下图讲解）：
a）原图缩放，多个Scale的原图对应不同Scale的Feature；
该方法计算多次Scale，每个Scale提取一次Feature，计算量巨大。
b）一幅输入图像对应多个分类器；
不需要重复提取特征图，但对分类器要求很高，一般很难得到理想的结果。
c）原图缩放，少量Scale原图->少量特征图->多个Model模板；
相当于对 a）和 b）的 Trade-Off。
d）原图缩放，少量Scale原图->少量特征图->特征图插值->1个Model；
e）RCNN方法，Proposal直接给到CNN；
和 a）全图计算不同，只针对Patch计算。
f）RPN方法，特征图是通过CNN卷积层得到；
和 b）类似，不过采用的是同尺度的不同模板，容易导致尺度不一致问题。
g）上套路，提出我们自己的方法，多尺度特征图；
每个尺度特征图对应一个 输出模板，每个尺度cover一个目标尺寸范围。
> 拓扑图
套路先抛到一边，原理很简单，结合拓扑图（基于VGG的网络）来看：
上面是提供 多尺度 Proposal 的子图，黑色 Cube 是网络输出，其中 h*w 表示 filter尺寸，c是分类类别，b是Box坐标。
通过在不同的 Conv Layer 进行输出（conv4-3，conv5-3，conv6），对应不同尺度的 det 检测器，得到4个Branch Output。
PS：作者提到，conv4-3 Branch比价靠近Bottom，梯度影响会比后面的 Branch要大，因此多加入了一个缓冲层。
> Loss函数
再来看 Loss 函数，对于 训练样本 Si ＝（Xi,Yi），其中 Xi 表示输入图像，Yi＝｛yi，bi｝表示 类别标签＋Box位置，M代表不同的Branch，训练样本S按照尺度划分到不同的Brach，每个Branch权值不同，用a来表示。
这篇关于讲解 Faster R_CNN原理:的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
