faster-rcnn 中的RPN網絡的結構解析

本文轉載自：

http://blog.csdn.net/sloanqin/article/details/51545125

【說明】：歡迎加入：faster-rcnn 交流羣 238138700，我想很多人在看faster-rcnn的時候，都會被RPN的網絡結構和連接方式糾結，作者在文中說的不是很清晰，這裏給出解析；

【首先】：大家應該要了解卷積神經網絡的連接方式，卷積核的維度，反向傳播時是如何靈活的插入一層；這裏我推薦一份資料，真是寫的非常清晰，就是MatConvet的用戶手冊，這個框架底層借用的是caffe的算法，所以他們的數據結構，網絡層的連接方式都是一樣的；建議讀者看看，很快的；

下載鏈接：點擊打開鏈接

【前面5層】：作者RPN網絡前面的5層借用的是ZF網絡，這個網絡的結構圖我截個圖放在下面，並分析下爲什麼是這樣子的；

1、首先，輸入圖片大小是 224*224*3（這個3是三個通道，也就是RGB三種）

2、然後第一層的卷積核維度是 7*7*3*96 （所以大家要認識到卷積核都是4維的，在caffe的矩陣計算中都是這麼實現的）；

3、所以conv1得到的結果是110*110*96 （這個110來自於 (224-7+pad)/2 +1 ，這個pad是我們常說的填充，也就是在圖片的周圍補充像素，這樣做的目的是爲了能夠整除，除以2是因爲2是圖中的stride， 這個計算方法在上面建議的文檔中有說明與推導的）；

4、然後就是做一次池化，得到pool1， 池化的核的大小是3*3，所以池化後圖片的維度是55*55*96  （  (110-3+pad)/2 +1 =55 ）；

5、然後接着就是再一次卷積，這次的卷積核的維度是5*5*96*256 ，得到conv2：26*26*256；

6、後面就是類似的過程了，我就不詳細一步步算了，要注意有些地方除法除不盡，作者是做了填充了，在caffe的prototxt文件中，可以看到每一層的pad的大小；

7、最後作者取的是conv5的輸出，也就是13*13*256送給RPN網絡的；

【RPN部分】：然後，我們看看RPN部分的結構：

1、前面我們指出，這個conv feature map的維度是13*13*256的；

2、作者在文章中指出，sliding window的大小是3*3的，那麼如何得到這個256-d的向量呢？ 這個很簡單了，我們只需要一個3*3*256*256這樣的一個4維的卷積核，就可以將每一個3*3的sliding window 卷積成一個256維的向量；

這裏讀者要注意啊，作者這裏畫的示意圖 僅僅是 針對一個sliding window的；在實際實現中，我們有很多個sliding window，所以得到的並不是一維的256-d向量，實際上還是一個3維的矩陣數據結構；可能寫成for循環做sliding window大家會比較清楚，當用矩陣運算的時候，會稍微繞些；

3、然後就是k=9，所以cls layer就是18個輸出節點了，那麼在256-d和cls layer之間使用一個1*1*256*18的卷積核，就可以得到cls layer，當然這個1*1*256*18的卷積核就是大家平常理解的全連接；所以全連接只是卷積操作的一種特殊情況（當卷積核的大小與圖片大小相同的時候，從卷積層連接到全連接層；當卷積核大小是1*1的時候，從全連接層連接到全連接層）；

4、reg layer也是一樣了，reg layer的輸出是36個，所以對應的卷積核是1*1*256*36，這樣就可以得到reg layer的輸出了；

5、然後cls layer 和reg layer後面都會接到自己的損失函數上，給出損失函數的值，同時會根據求導的結果，給出反向傳播的數據，這個過程讀者還是參考上面給的文檔，寫的挺清楚的；

【作者關於RPN網絡的具體定義】：這個作者是放在./models/pascal_voc/ZF/faster_rcnn_alt_opt/stage1_rpn_train.pt 文件中的；

我把這個文件拿出來給註釋下：

name: "ZF"
layer {
  name: 'input-data' #這一層就是最開始數據輸入
  type: 'Python'
  top: 'data' # top表示該層的輸出，所以可以看到這一層輸出三組數據，data，真值框gt_boxes，和相關信息im_info
  top: 'im_info' # 這些都是存儲在矩陣中的
  top: 'gt_boxes'
  python_param {
    module: 'roi_data_layer.layer'
    layer: 'RoIDataLayer'
    param_str: "'num_classes': 21"
  }
}

#========= conv1-conv5 ============

layer {
    name: "conv1"
    type: "Convolution"
    bottom: "data" # 輸入data
    top: "conv1" # 輸出conv1，這裏conv1就代表了這一層輸出數據的名稱，存儲在對應的矩陣中
    param { lr_mult: 1.0 }
    param { lr_mult: 2.0 }
    convolution_param {
        num_output: 96
        kernel_size: 7
        pad: 3  # 這裏可以看到卷積1層 填充了3個像素
        stride: 2
    }
}
layer {
    name: "relu1"
    type: "ReLU"
    bottom: "conv1"
    top: "conv1"
}
layer {
    name: "norm1"
    type: "LRN"
    bottom: "conv1"
    top: "norm1" # 做歸一化操作，通俗點說就是做個除法
    lrn_param {
        local_size: 3
        alpha: 0.00005
        beta: 0.75
        norm_region: WITHIN_CHANNEL
    engine: CAFFE
    }
}
layer {
    name: "pool1"
    type: "Pooling"
    bottom: "norm1"
    top: "pool1"
    pooling_param {
        kernel_size: 3
        stride: 2
        pad: 1 # 池化的時候，又做了填充
        pool: MAX
    }
}
layer {
    name: "conv2"
    type: "Convolution"
    bottom: "pool1"
    top: "conv2"
    param { lr_mult: 1.0 }
    param { lr_mult: 2.0 }
    convolution_param {
        num_output: 256
        kernel_size: 5
        pad: 2
        stride: 2
    }
}
layer {
    name: "relu2"
    type: "ReLU"
    bottom: "conv2"
    top: "conv2"
}
layer {
    name: "norm2"
    type: "LRN"
    bottom: "conv2"
    top: "norm2"
    lrn_param {
        local_size: 3
        alpha: 0.00005
        beta: 0.75
        norm_region: WITHIN_CHANNEL
    engine: CAFFE
    }
}
layer {
    name: "pool2"
    type: "Pooling"
    bottom: "norm2"
    top: "pool2"
    pooling_param {
        kernel_size: 3
        stride: 2
        pad: 1
        pool: MAX
    }
}
layer {
    name: "conv3"
    type: "Convolution"
    bottom: "pool2"
    top: "conv3"
    param { lr_mult: 1.0 }
    param { lr_mult: 2.0 }
    convolution_param {
        num_output: 384
        kernel_size: 3
        pad: 1
        stride: 1
    }
}
layer {
    name: "relu3"
    type: "ReLU"
    bottom: "conv3"
    top: "conv3"
}
layer {
    name: "conv4"
    type: "Convolution"
    bottom: "conv3"
    top: "conv4"
    param { lr_mult: 1.0 }
    param { lr_mult: 2.0 }
    convolution_param {
        num_output: 384
        kernel_size: 3
        pad: 1
        stride: 1
    }
}
layer {
    name: "relu4"
    type: "ReLU"
    bottom: "conv4"
    top: "conv4"
}
layer {
    name: "conv5"
    type: "Convolution"
    bottom: "conv4"
    top: "conv5"
    param { lr_mult: 1.0 }
    param { lr_mult: 2.0 }
    convolution_param {
        num_output: 256
        kernel_size: 3
        pad: 1
        stride: 1
    }
}
layer {
    name: "relu5"
    type: "ReLU"
    bottom: "conv5"
    top: "conv5"
}

#========= RPN ============
# 到我們的RPN網絡部分了，前面的都是共享的5層卷積層的部分
layer {
  name: "rpn_conv1"
  type: "Convolution"
  bottom: "conv5"
  top: "rpn_conv1"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 256
    kernel_size: 3 pad: 1 stride: 1 #這裏作者把每個滑窗3*3，通過3*3*256*256的卷積核輸出256維，完整的輸出其實是12*12*256,
    weight_filler { type: "gaussian" std: 0.01 }
    bias_filler { type: "constant" value: 0 }
  }
}
layer {
  name: "rpn_relu1"
  type: "ReLU"
  bottom: "rpn_conv1"
  top: "rpn_conv1"
}
layer {
  name: "rpn_cls_score"
  type: "Convolution"
  bottom: "rpn_conv1"
  top: "rpn_cls_score"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 18   # 2(bg/fg) * 9(anchors)
    kernel_size: 1 pad: 0 stride: 1 #這裏看的很清楚，作者通過1*1*256*18的卷積核，將前面的256維數據轉換成了18個輸出
    weight_filler { type: "gaussian" std: 0.01 }
    bias_filler { type: "constant" value: 0 }
  }
}
layer {
  name: "rpn_bbox_pred"
  type: "Convolution"
  bottom: "rpn_conv1"
  top: "rpn_bbox_pred"
  param { lr_mult: 1.0 }
  param { lr_mult: 2.0 }
  convolution_param {
    num_output: 36   # 4 * 9(anchors)
    kernel_size: 1 pad: 0 stride: 1 <span style="font-family: Arial, Helvetica, sans-serif;">#這裏看的很清楚，作者通過1*1*256*36的卷積核，將前面的256維數據轉換成了36個輸出</span>
    weight_filler { type: "gaussian" std: 0.01 }
    bias_filler { type: "constant" value: 0 }
  }
}
layer {
   bottom: "rpn_cls_score"
   top: "rpn_cls_score_reshape" # 我們之前說過，其實這一層是12*12*256的，所以後面我們要送給損失函數，需要將這個矩陣reshape一下，我們需要的是144個滑窗，每個對應的256的向量
   name: "rpn_cls_score_reshape"
   type: "Reshape"
   reshape_param { shape { dim: 0 dim: 2 dim: -1 dim: 0 } }
}
layer {
  name: 'rpn-data'
  type: 'Python'
  bottom: 'rpn_cls_score'
  bottom: 'gt_boxes'
  bottom: 'im_info'
  bottom: 'data'
  top: 'rpn_labels'
  top: 'rpn_bbox_targets'
  top: 'rpn_bbox_inside_weights'
  top: 'rpn_bbox_outside_weights'
  python_param {
    module: 'rpn.anchor_target_layer'
    layer: 'AnchorTargetLayer'
    param_str: "'feat_stride': 16"
  }
}
layer {
  name: "rpn_loss_cls"
  type: "SoftmaxWithLoss" # 很明顯這裏是計算softmax的損失，輸入labels和cls layer的18個輸出（中間reshape了一下），輸出損失函數的具體值
  bottom: "rpn_cls_score_reshape"
  bottom: "rpn_labels"
  propagate_down: 1
  propagate_down: 0
  top: "rpn_cls_loss"
  loss_weight: 1
  loss_param {
    ignore_label: -1
    normalize: true
  }
}
layer {
  name: "rpn_loss_bbox"
  type: "SmoothL1Loss" # 這裏計算的框迴歸損失函數具體的值
  bottom: "rpn_bbox_pred"
  bottom: "rpn_bbox_targets"
  bottom: "rpn_bbox_inside_weights"
  bottom: "rpn_bbox_outside_weights"
  top: "rpn_loss_bbox"
  loss_weight: 1
  smooth_l1_loss_param { sigma: 3.0 }
}

#========= RCNN ============
# Dummy layers so that initial parameters are saved into the output net

layer {
  name: "dummy_roi_pool_conv5"
  type: "DummyData"
  top: "dummy_roi_pool_conv5"
  dummy_data_param {
    shape { dim: 1 dim: 9216 }
    data_filler { type: "gaussian" std: 0.01 }
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "dummy_roi_pool_conv5"
  top: "fc6"
  param { lr_mult: 0 decay_mult: 0 }
  param { lr_mult: 0 decay_mult: 0 }
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param { lr_mult: 0 decay_mult: 0 }
  param { lr_mult: 0 decay_mult: 0 }
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "silence_fc7"
  type: "Silence"
  bottom: "fc7"
}

ps：等源碼看完之後，我再註釋得更詳細些；

作者：香蕉麥樂迪--sloanqin-覃元元