开篇
fasterrcnn网络是接触到的第一类目标检测网络，之前的RCNN-fastrcnn到现在的fasterrcnn。网络上关于论文和网络本身的代码实现有非常多的介绍。我接触目标检测时间不长，后面将会在较长的时间里一直做目标检测推理优化的事情，所以学习一下几个典型的网络。本篇讲述fasterrcnn，内容大多都是网络上的资源在此引用链接，学习各位大神的高见。
参考博客
https://blog.csdn.net/Gentleman_Qin/article/details/84403147
https://cloud.tencent.com/developer/article/1436272
https://zhuanlan.zhihu.com/p/31426458
*******************************************************************
论文
论文名称：《 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 》
论文代码：https://github.com/rbgirshick/py-faster-rcnn
卷积计算
********************************************************************
CNN普通卷积的输出层大小计算公式：
假设
输入数据维度为W*W
Filter大小 F×F
步长 S
padding的像素数 P
可以得出
N = (W − F + 2P )/S+1
输出大小为 N×N
********************************************************************
网络结构
一、网络结构
对于提取候选框最常用的 SelectiveSearch 方法，提取一副图像大概需要 2s 的时间，改进的 EdgeBoxes 算法将效率提高到了 0.2s，但是这还不够。
本文发现候选框提取不一定要在原图上做，特征图上同样可以，低分辨率特征图意味着更少的计算量，基于这个假设提出的RPN（RegionProposal Network），完美解决了这个问题。
Faster R-CNN可以简单地看做“区域生成网络RPNs + Fast R-CNN”的系统，用区域生成网络代替Fast R-CNN中的Selective Search方法。
通过添加额外的 RPN 分支网络，将候选框提取合并到深度网络中，这正是 Faster-RCNN 里程碑式的贡献。
RPN 网络的特点在于通过滑动窗口的方式实现候选框的提取，每个滑动窗口位置生成 9 个候选窗口（不同尺度、不同宽高），提取对应 9 个候选窗口（anchor）的特征，用于目标分类和边框回归，与 FastRCNN 类似。
目标分类只需要区分候选框内特征为前景或者背景。
边框回归确定更精确的目标位置，基本网络结构如下图所示：
训练过程中，涉及到的候选框选取，选取依据：
1）丢弃跨越边界的 anchor；
2）与样本重叠区域大于 0.7 的 anchor 标记为前景，重叠区域小于 0.3 的标定为背景；
对于每一个位置，通过两个全连接层（目标分类 + 边框回归）对每个候选框（anchor）进行判断，并且结合概率值进行舍弃（仅保留约 300 个 anchor），没有显式地提取任何候选窗口，完全使用网络自身完成判断和修正。
二、亮点解析
1、RoI Pooling：
在 Faster RCNN中使用 RoI Pooling，以便使生成的候选框region proposal映射产生固定大小的feature map，进行之后的分类和回归。通过下图解释RoiPooling的工作原理：
（1）Conv layers使用的是VGG16，feat_stride=32(即表示，经过网络层后图片缩小为原图的1/32),原图800*800,最后一层特征图feature map大小:25*25；
（2）假定原图中有一region proposal，大小为665*665，这样，映射到特征图中的大小：665/32=20.78,即20.78*20.78，如果你看过Caffe的Roi Pooling的C++源码，在计算的时候会进行取整操作，于是，进行所谓的第一次量化，即映射的特征图大小为20*20；
（3）假定pooled_w=7,pooled_h=7,即pooling后固定成7*7大小的特征图，所以，将上面在 feature map上映射的20*20的 region proposal划分成49个同等大小的小区域，每个小区域的大小20/7=2.86,即2.86*2.86，此时，进行第二次量化，故小区域大小变成2*2；
（4）每个2*2的小区域里，取出其中最大的像素值，作为这一个区域的‘代表’，这样，49个小区域就输出49个像素值，组成7*7大小的feature map；
总结，通过上面可以看出，经过两次量化，即将浮点数取整，原本在特征图上映射的20*20大小的region proposal，偏差成大小为14*14的，这样的像素偏差势必会对后层的回归定位产生影响（ 所以产生了替代方案，RoiAlign）。
2、RPN网络：
前面5层：
（1）首先，输入图片大小是 224*224*3（这个3是三个通道，也就是RGB三种）；
（2）然后 layer1 的卷积核维度是 7*7*3*96 （所以大家要认识到卷积核都是4维的，在caffe的矩阵计算中都是这么实现的）；
（3）所以conv1得到的结果是110*110*96 （这个110来自于 (224-7+pad)/2 +1 ，这个pad是补零填充，也就是在图片的周围补充像素，这样做的目的是为了能够整除，除以2是因为2是图中的stride， 这个计算方法在上面建议的文档中有说明与推导的）；
（4）然后做一次池化，得到pool1， 池化的核的大小是3*3，所以池化后图片的维度是55*55*96 （ (110-3+pad)/2 +1 =55 ）；
（5）然后接着就是再一次 layer2 卷积，这次的卷积核的维度是5*5*96*256 ，得到conv2：26*26*256；
（6）后面就是类似的过程，有些地方除法除不尽，作者做了填充，在caffe的prototxt文件中，可以看到每一层的pad的大小；
（7）最后作者取的是conv5的输出，也就是13*13*256送给RPN网络的；
RPN的原理：
1、前面我们指出，这个conv feature map的维度是13*13*256的；
2、作者在文章中指出，以3*3的正方形anchor为例，它作为sliding window的大小是3*3的，那么如何得到这个1*256的向量呢？ 这个很简单了，我们只需要一个3*3*256*256这样的一个4维的卷积核，就可以将每一个3*3的sliding window 卷积成一个1*256的向量；
作者这里画的示意图 仅仅是 针对一个sliding window的；在实际实现中，我们有很多个sliding window，且大小不一， 即9中anchor，所以得到的并不是一维的256-d向量，实际上还是一个3维的矩阵数据结构；可能写成for循环做sliding window大家会比较清楚，当用矩阵运算的时候，会稍微绕些；
3、然后就是k=9，所以cls layer就是18个输出节点了，每个anchor生成一个2*1的向量，9个就是18*1。那么在256-d和cls layer之间使用一个1*1*256*2的卷积核，就可以得到一个anchor在一个位置上的对应的cls layer，当然这个1*1*256*2的卷积核就是大家平常理解的全连接；所以全连接只是卷积操作的一种特殊情况（当卷积核的大小与图片大小相同的时候，其实所谓的卷积就是全连接了，因为卷积核没有做移动，所以其不包含图像中个像素的相互之间的位置关系，这一点和FC层是一致的）；
4、reg layer也是一样了，reg layer的输出是36个，所以对应的卷积核是1*1*256*(36/9)，这样就可以得到reg layer的输出了；
5、然后cls layer 和reg layer后面都会接到自己的损失函数上，给出损失函数的值，同时会根据求导的结果，给出反向传播的数据，这个过程读者还是参考上面给的文档，写的挺清楚的；
