Faster-RCNN
提出了Region Proposal Network（RPN）一个全连接的卷积层可以同时预测目标边界和目标分数（物体）
把RPN和Fast-RCNN合并为一个网络通过共享他们的卷积特征——使用带有"attention"机制的神经网络
联合网络unified networks
1、introduction
Region porposal mathod：
Selective Search：基于人工特征的贪婪进行超级像素合并
EdgeBoxes在速度和质量方面都权衡得很好
上面的方法都是在CPU计算的，当重新实现为GPU计算的时候，就忽略了下游的检测网络，错失共享计算的机会
改进：使用了深度卷积网络来计算proposals——基本零花费
——即使用convolutional feature maps来计算proposals
RPN可以有效预测大范围的尺度和长宽比
——不同于图像金字塔和图像特征金字塔（过滤器），使用的是（ We use pyramids of reference boxes in the regression functions）
——pyramid of regression reference，避免了枚举（enumerate）所有尺度和长宽比的图像和过滤器
训练：在region proposal task 和object detection 之间交替fine-tune——共享卷积特征
2 相关工作
别人的工作：
OverFeat方法：一个全连接网络用来预测盒子box的坐标（只针对一个物体），之后全连接层被换成卷积层用来检测多个类别的物体。
MultiBox方法：从一个网络（最后一层同时可以预测box）产生proposal
但是，MultiBox的方法没有共享在proposal和detection network 之间的features。
DeepMask method：用于学习segmentation proposals
3 Faster RCNN
整体架构：
由两部分组成：
1> deep convolutional network:产生region————————RPN候选区域提取模块，是全卷积神经网络
2> fast RCNN detector:使用proposed regions————————fast RCNN检测模块，基于RPN提取的proposal检测并识别proposal中的目标
3.1 Region proposal networks(介绍它的设计和属性)
RPN：输入一张任意尺度的图片，输出一系列矩形proposals（with objectness score）
RPN的具体流程：
在convolutional feature map上slide a small network，这个small network选择feature map上的nxn的空间窗口作为输入（全连接） ，每个窗口映射到（map）一个低维（256d）的feature。之后feed给两个姐妹全连接层（reg 和 cls）
论文中，作者使用n=3，实际上有效的感受野很大（171或228像素）
博客： RPN的具体流程如下：使用一个小网络在最后卷积得到的特征图上进行滑动扫描，这个滑动网络每次与特征图上n*n（论文中n=3）的窗口全连接（图像的有效感受野很大，ZF是171像素，VGG是228像素），然后映射到一个低维向量（256d for ZF / 512d for VGG），最后将这个低维向量送入到两个全连接层，即bbox回归层（reg）和box分类层（cls）。sliding window的处理方式保证reg-layer和cls-layer关联了conv5-3的全部特征空间。
3.1.1 anchors
每个位置最大有k个可能的proposal，reg层有4k个输出（位置），cls层有2k输出（是目标的概率或者不是目标的概率）。即k个anchors，与尺度和长宽比有关。
anchor:
位于滑动窗口的中心，与尺度和长宽比有关，默认：3个scales和3个aspect ratios，每个sliding position 产生了k=9个anchors
三种尺度（面积）{128*128,256*256,512*512}，三种比例{1:1,1:2,2:1}所以每一个位置有3*3=9个anchor
对于一个WxH大小的feature map，共有WHk个anchors
translation-invariant anchors
论文的方法一个重要的特征就是拥有translation-invariant（旋转不变性）
旋转不变性—— both in terms of the anchors and the functions that compute proposals relative to the anchors.
即：如果一张图片中的一个目标发生了旋转，proposal也会发生旋转，同样的function也能预测 出proposal
使用我们的方法这是能够得到保证的
旋转不变性减少了model size，k=9时，只有（4+2）x9的卷积输出层
Multi-Scale anchors as regression references
传统有两种方法：
1> 基于图像/特征金字塔(pyramid of anchors)——图像被resized成多个尺度，每个尺度计算出feature maps——有用但是耗时（对图像或者feature map层进行尺度/宽高的采样）
2> 在feature map上使用多尺度的滑动窗口——使用不同的过滤器大小单独训练不同的aspect ratio模型，可以理解为一个过滤金字塔pyramid of filters（对滤波器进行尺度/宽高的采样）
faster RCNN的解决方法：（multi-scale anchors）通过卷积核中心（用来生成推荐窗口的anchor）进行尺度、宽高的采样，使用3种尺度和3种比例来产生9种anchor（more cost-efficient），只依赖于一个尺度的图像和feature map
3.1.2 损失函数loss function
训练RPN,我们需要给每个anchor贴上二分类标签——目标和非目标（positive label 和）
positive label定义：（两种情况之一即可）
(i) the anchor/anchors with the highest Intersection-over Union(IoU) overlap with a ground-truth box,or
(ii) an anchor that has an IoU overlap higher than 0.7 with any ground-truth box.
注意，一个GT包围盒可以对应多个anchor，这样一个GT包围盒就可以有多个正标签
采用第二个规则基本上可以找到足够的正样本，但是对于一些极端情况，所有的anchor对应的anchor box与ground truth的IOU小于0.7，就可以不存在正样本，所以需要采取第一种规则。
negative label定义：
与所有的GT包围盒的IOU都小于0.3的anchor
既不是正标签又不是负标签的不参与训练
损失函数为：
i是mini-batch中anchor的索引
pi是anchor i 成为一个目标的预测概率
The ground-truth label p∗i is 1 if the anchor is positive, and is 0 if the anchor is negative
ti是预测的bounding box 的四个位置参数向量
t*i是正标签的ground-truth box
Lcls是两个类别的分类损失函数——log函数
Lreg是fast-RCNN里定义的smooth函数
pi*表明只有在正样本的情况下才会**，负样本pi*=0不**
两部分通过Ncls 和Nreg归一化，通过 λ控制权重来平衡
Ncls=256——mini-batch size
Nreg~2400——number ofanchor locations
为了cls和reg项大体上权重相等，我们令 λ=10
bounding box regression位置回归：
x是预测盒子即proposal（通过RPN网络预测出的proposal），
xa是anchor box（40*60*9个），
x*是ground-truth box
可以理解为从anchor box到nearby ground-truth box的bounding-box regression
3.1.3训练RPN
后馈传播（BP，back-propagation）+随机梯度下降法（SGD，stochastic gradient descent）
依照fast RCNN中的“image-centric”采样策略训练这个网络
采样：在一张图片中随机选择256个anchors去计算损失函数（正负样本1:1）（若没有128个正样本，用负样本代替）
初始化：新增的2层参数用均值为0，标准差为0.01的高斯分布来进行初始化，其余层（都是共享的卷积层，与VGG共有的层）参数用ImageNet分类预测训练模型初始化。
参数化设置：
60k mini-batches使用0.001学习率
next 20k mini-batches on the PASCAL VOCdataset使用0.0001学习率
设置动量momentum=0.9，权重衰减weighted decay=0.0005
3.2 sharing features for RPN and Fast RCNN
faster RCNN由两大模块组成——RPN候选框模块，fast RCNN检测模块
上面是如何为生成区域建议框训练网络，而没有考虑基于区域的目标检测CNN如何利用这些建议框。对于检测网络，我们采用fast RCNN，下面描述算法——如何学习一个统一的网络（由RPN和Fast RCNN共享卷积层组成）/学习由RPN和Fast-RCNN之间共享的卷积层。
RPN和Fast RCNN都是独立训练的，要用不同的方式修改他们的卷积层，因此需要一种允许两个网络间共享卷积层的技术，而非分别学习
两个网络。注意到这不是仅仅定义一个包含RPN和Fast RCNN的单独网络，然后用反向传播优化它那么简单，原因是Fast RCNN训练依赖于固定的目标建议框，而且并不清楚当同时改变建议机制时，学习Fast RCNN会不会收敛。
论文中讨论了三种方法来训练有共享特征的网络：
第一种，作者用的方法：
RPN和FAST RCNN公用了13个VGG的卷积层，孤立的进行训练是一个不明智的选择，作者采用交替训练Alternating training方法 (RPN提取得到proposals，再使用Fast RCNN实现最终目标的检测和识别)
1> 首先依上述训练RPN，该网络用ImageNet预训练的模型初始化，并端到端微调用于区域建议任务。
2> 我们利用第一步的RPN生成的建议框，由Fast RCNN训练一个独立的检测网络，这个检测网络同样是ImageNet预训练的模型初始化的，这时候两个网络还没有共享卷积层
3> 我们用检测网络（detector network）初始化RPN训练，但我们固定共享的卷积层，并且只微调RPN独有的层，现在两个网络共享卷积层了。
4> 保持共享的卷积层固定，微调Fast RCNN的fc层，这样两个网络共享相同的卷积层，构成一个统一的网络。
3.3 implementation details实现细节 / 核心思想
可以看出VGG16用于特征提取的部分是13个卷积层（conv1_1---->conv5_3），不包括pool5以及其后的网络层次结构
因为我们的最终目标是和Fast RCNN目标检测网络共享计算，所以假设这两个网络共享一系列卷积层，在论文的实验中，ZF有5个共享的卷积层，VGG有13个共享的卷积层。
具体流程：前面有解释
博客：（重述）
使用一个小网络在最后卷积得到的特征图上进行滑动扫描，这个滑动网络每次与特征图上n*n（论文中n=3）的窗口全连接（图像的有效感受野很大，ZF是171像素，VGG是228像素），然后映射到一个低维向量（256d for ZF / 512d for VGG），最后将这个低维向量送入到两个全连接层，即bbox回归层（reg）和box分类层（cls）。sliding window的处理方式保证reg-layer和cls-layer关联了conv5-3的全部特征空间。
3*3卷积核的中心点对应原图（re-scale为600*1000）上的位置（点），将该点作为anchor的中心点，在原图中框出多尺度、多种长宽比的anchors。所以，anchor不在conv特征图上，而在原图上，对于一个大小为H*W的特征层，它上面的每一个像素点对应9个anchor，这里有一个重要的参数feat_stride=16，它表示特征层上移动一个点，对应原图移动16个像素点。把这9个anchor的坐标进行平移操作，获得在原图上的坐标。之后根据ground truth label和这些anchor之间的关系生成RPN_labels（根据overlap计算）。生成的RPN_labels中，positive的位置被设置为1，negative的位置被设置为0，其他的位置被设置为-1。
faster RCNN卷积流程图：
conv5得到的是40*60大小的特征图，对应论文中的2400。anchor的个数为40*60*9~2k个