FasterRCNN原理及Pytorch代码解读——FasterRCNN总览

这篇博客记录我在学习《深度学习之PyTorch物体检测实战》一书中关于Faster RCNN这一算法的理解，以及pytorch代码的解读。
pytorch复现代码链接：https://github.com/dongdonghy/Detection-PyTorch-Notebook/tree/master/chapter4/faster-rcnn-pytorch
当然pytorch官方已经在torchvision 模块集成了 FasterRCNN代码。如果对官方源码感兴趣的话，这里有一篇文章介绍的很不错：捋一捋pytorch官方FasterRCNN代码

Faster RCNN总览

纵观整个网络，其结构如下论文所描述的图，可以分为四个部分：特征提取网络模块、 RPN模块、 RoI（Region of Interest）Pooling 模块与区域分类模块。Faster RCNN延续了RCNN系列的思想， 即先进行感兴趣区域RoI的生成， 然后再把生成的区域分类， 最后完成物体的检测， 这里的RoI使用的即是RPN模块， 区域分类则是RCNN网络。

1. 特征提取网络：Faster RCNN使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。以VGGNet为例， 假设输入图像的维度为3×600×800， 由于VGGNet包含4个Pooling层（物体检测使用VGGNet时， 通常不使用第5个Pooling层） ， 下采样率为16， 因此输出的feature map的维度为512×37×50。
2. RPN模块：这一模块用于生成region proposals，作用是生成较好的建议框， 即Proposal， 这里用到了强先验的Anchor，其可以分为五个子模块：Anchor生成、RPN卷积网络、计算RPN loss、生成Proposal、筛选Proposal得到RoI，后面会详细介绍这5个子模块。
3. Roi Pooling：该层收集输入的feature maps和proposals，输出送到RCNN网络中。 由于RCNN模块使用了全连
   接网络， 要求特征的维度固定， 而每一个RoI对应的特征大小各不相同， 无法送入到全连接网络， 因此RoI Pooling将RoI的特征池化到固定的维度， 方便送到全连接网络中。
   4.区域分类模块：将RoI Pooling得到的特征送入全连接网络， 预测每一个RoI的分类， 并预测偏移量以精修边框位置， 并计算损失， 完成整个Faster RCNN过程。整个模块可以分为三个部分：RCNN全连接网络部分、计算RCNN的真值，计算RCNN loss。

整个Faster RCNN的流程图如下图所示，虚线表示仅仅在训练时有的步骤。

从上面的过程中，我们可以看出为什么Faster RCNN是一个两阶的算法， 因为整个过程中RPN与RCNN， 这两步都需要计算损失， 只不过前者还要为后者提供较好的感兴趣区域。