本文從四個切入點為你介紹Faster R-CNN網絡。

經過R-CNN和Fast RCNN的積淀，Ross B. Girshick在2016年提出了新的Faster RCNN，在結構上，Faster RCNN已經將特征抽取(feature extraction)，proposal提取，bounding box regression(rect refine)，classification都整合在了一個網絡中，使得綜合性能有較大提高，在檢測速度方面尤為明顯。

目錄

1 Conv layers 2 Region Proposal Networks(RPN) - 2.1 多通道圖像卷積基礎知識介紹 - 2.2 anchors - 2.3 softmax判定positive與negative - 2.4 bounding box regression原理 - 2.5 對proposals進行bounding box regression - 2.6 Proposal Layer 3 RoI pooling - 3.1 為何需要RoI Pooling - 3.2 RoI Pooling原理 4 Classification 5 Faster RCNN訓練 - 5.1 訓練RPN網絡 - 5.2 通過訓練好的RPN網絡收集proposals - 5.3 訓練Faster RCNN網絡 Questions and Answer

圖1 Faster RCNN基本結構（來自原論文）

依作者看來，如圖1，Faster RCNN其實可以分為4個主要內容： ?

Conv layers。作為一種CNN網絡目標檢測方法，Faster RCNN首先使用一組基礎的conv+relu+pooling層提取image的feature maps。該feature maps被共享用于后續RPN層和全連接層。

Region Proposal Networks。RPN網絡用于生成region proposals。該層通過softmax判斷anchors屬于positive或者negative，再利用bounding box regression修正anchors獲得精確的proposals。

Roi Pooling。該層收集輸入的feature maps和proposals，綜合這些信息后提取proposal feature maps，送入后續全連接層判定目標類別。

Classification。利用proposal feature maps計算proposal的類別，同時再次bounding box regression獲得檢測框最終的精確位置。

所以本文以上述4個內容作為切入點介紹Faster R-CNN網絡。 ? 圖2展示了python版本中的VGG16模型中的faster_rcnn_test.pt的網絡結構，可以清晰的看到該網絡對于一副任意大小PxQ的圖像： ?

首先縮放至固定大小MxN，然后將MxN圖像送入網絡；

而Conv layers中包含了13個conv層+13個relu層+4個pooling層；

RPN網絡首先經過3x3卷積，再分別生成positive anchors和對應bounding box regression偏移量，然后計算出proposals；

而Roi Pooling層則利用proposals從feature maps中提取proposal feature送入后續全連接和softmax網絡作classification（即分類proposal到底是什么object）。

圖2 faster_rcnn_test.pt網絡結構 （pascal_voc/VGG16/faster_rcnn_alt_opt/faster_rcnn_test.pt）

本文不會討論任何關于R-CNN家族的歷史，分析清楚最新的Faster R-CNN就夠了，并不需要追溯到那么久。實話說我也不了解R-CNN，更不關心。有空不如看看新算法。 ?

新出爐的pytorch官方Faster RCNN代碼導讀：

捋一捋pytorch官方FasterRCNN代碼

https://zhuanlan.zhihu.com/p/31426458

1 Conv layers

Conv layers包含了conv，pooling，relu三種層。以python版本中的VGG16模型中的faster_rcnn_test.pt的網絡結構為例，如圖2，Conv layers部分共有13個conv層，13個relu層，4個pooling層。這里有一個非常容易被忽略但是又無比重要的信息，在Conv layers中： ?

所有的conv層都是：kernel_size=3，pad=1，stride=1

所有的pooling層都是：kernel_size=2，pad=0，stride=2

為何重要？在Faster RCNN Conv layers中對所有的卷積都做了擴邊處理（ pad=1，即填充一圈0），導致原圖變為 (M+2)x(N+2)大小，再做3x3卷積后輸出MxN 。正是這種設置，導致Conv layers中的conv層不改變輸入和輸出矩陣大小。如圖3：

圖3 卷積示意圖

類似的是，Conv layers中的pooling層kernel_size=2，stride=2。這樣每個經過pooling層的MxN矩陣，都會變為(M/2)x(N/2)大小。綜上所述，在整個Conv layers中，conv和relu層不改變輸入輸出大小，只有pooling層使輸出長寬都變為輸入的1/2。 ? 那么，一個MxN大小的矩陣經過Conv layers固定變為(M/16)x(N/16)！這樣Conv layers生成的feature map中都可以和原圖對應起來。 ?

2 Region Proposal Networks(RPN)

經典的檢測方法生成檢測框都非常耗時，如OpenCV adaboost使用滑動窗口+圖像金字塔生成檢測框；或如R-CNN使用SS(Selective Search)方法生成檢測框。而Faster RCNN則拋棄了傳統的滑動窗口和SS方法，直接使用RPN生成檢測框，這也是Faster R-CNN的巨大優勢，能極大提升檢測框的生成速度。

圖4 RPN網絡結構

上圖4展示了RPN網絡的具體結構。可以看到RPN網絡實際分為2條線，上面一條通過softmax分類anchors獲得positive和negative分類，下面一條用于計算對于anchors的bounding box regression偏移量，以獲得精確的proposal。而最后的Proposal層則負責綜合positive anchors和對應bounding box regression偏移量獲取proposals，同時剔除太小和超出邊界的proposals。其實整個網絡到了Proposal Layer這里，就完成了相當于目標定位的功能。 ?

2.1 多通道圖像卷積基礎知識介紹

在介紹RPN前，還要多解釋幾句基礎知識，已經懂的看官老爺跳過就好。 ?

對于單通道圖像+單卷積核做卷積，第一章中的圖3已經展示了；

對于多通道圖像+多卷積核做卷積，計算方式如下：

圖5 多通道卷積計算方式

如圖5，輸入有3個通道，同時有2個卷積核。對于每個卷積核，先在輸入3個通道分別作卷積，再將3個通道結果加起來得到卷積輸出。所以對于某個卷積層，無論輸入圖像有多少個通道，輸出圖像通道數總是等于卷積核數量！ ? 對多通道圖像做1x1卷積，其實就是將輸入圖像于每個通道乘以卷積系數后加在一起，即相當于把原圖像中本來各個獨立的通道“聯通”在了一起。 ?

2.2 anchors

提到RPN網絡，就不能不說anchors。所謂anchors，實際上就是一組由rpn/generate_anchors.py生成的矩形。直接運行作者demo中的generate_anchors.py可以得到以下輸出： ?

?

[[ -84.  -40.   99.   55.]
 [-176.  -88.  191.  103.]
 [-360. -184.  375.  199.]
 [ -56.  -56.   71.   71.]
 [-120. -120.  135.  135.]
 [-248. -248.  263.  263.]
 [ -36.  -80.   51.   95.]
 [ -80. -168.   95.  183.]
 [-168. -344.  183.  359.]]

? 其中每行的4個值?表矩形左上和右下角點坐標。9個矩形共有3種形狀，長寬比為大約為?三種，如圖6。實際上通過anchors就引入了檢測中常用到的多尺度方法。

?

?

圖6 anchors示意圖

注：關于上面的anchors size，其實是根據檢測圖像設置的。在python demo中，會把任意大小的輸入圖像reshape成800x600（即圖2中的M=800，N=600）。再回頭來看anchors的大小，anchors中長寬1:2中最大為352x704，長寬2:1中最大736x384，基本是cover了800x600的各個尺度和形狀。 ? 那么這9個anchors是做什么的呢？借用Faster RCNN論文中的原圖，如圖7，遍歷Conv layers計算獲得的feature maps，為每一個點都配備這9種anchors作為初始的檢測框。這樣做獲得檢測框很不準確，不用擔心，后面還有2次bounding box regression可以修正檢測框位置。

圖7

解釋一下上面這張圖的數字。 ?

在原文中使用的是ZF model中，其Conv Layers中最后的conv5層num_output=256，對應生成256張特征圖，所以相當于feature map每個點都是256-dimensions

在conv5之后，做了rpn_conv/3x3卷積且num_output=256，相當于每個點又融合了周圍3x3的空間信息（猜測這樣做也許更魯棒？反正我沒測試），同時256-d不變（如圖4和圖7中的紅框）

假設在conv5 feature map中每個點上有k個anchor（默認k=9），而每個anhcor要分positive和negative，所以每個點由256d feature轉化為cls=2?k scores；而每個anchor都有(x, y, w, h)對應4個偏移量，所以reg=4?k coordinates

補充一點，全部anchors拿去訓練太多了，訓練程序會在合適的anchors中隨機選取128個postive anchors+128個negative anchors進行訓練（什么是合適的anchors下文5.1有解釋）

注意，在本文講解中使用的VGG conv5 num_output=512，所以是512d，其他類似。 ? 其實RPN最終就是在原圖尺度上，設置了密密麻麻的候選Anchor。然后用cnn去判斷哪些Anchor是里面有目標的positive anchor，哪些是沒目標的negative anchor。所以，僅僅是個二分類而已！ ? 那么Anchor一共有多少個？原圖800x600，VGG下采樣16倍，feature map每個點設置9個Anchor，所以： ?

其中ceil()表示向上取整，是因為VGG輸出的feature map size= 50*38。

圖8 Gernerate Anchors

2.3 softmax判定positive與negative

一副MxN大小的矩陣送入Faster RCNN網絡后，到RPN網絡變為(M/16)x(N/16)，不妨設 W=M/16，H=N/16。在進入reshape與softmax之前，先做了1x1卷積，如圖9：

圖9 RPN中判定positive/negative網絡結構

該1x1卷積的caffe prototxt定義如下： ?

?

layer {
  name: "rpn_cls_score"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_cls_score"
  convolution_param {
    num_output: 18   # 2(positive/negative) * 9(anchors)
    kernel_size: 1 pad: 0 stride: 1
  }
}

? 可以看到其num_output=18，也就是經過該卷積的輸出圖像為WxHx18大小（注意第二章開頭提到的卷積計算方式）。這也就剛好對應了feature maps每一個點都有9個anchors，同時每個anchors又有可能是positive和negative，所有這些信息都保存WxHx(9*2)大小的矩陣。為何這樣做？后面接softmax分類獲得positive anchors，也就相當于初步提取了檢測目標候選區域box（一般認為目標在positive anchors中）。 ? 那么為何要在softmax前后都接一個reshape layer？其實只是為了便于softmax分類，至于具體原因這就要從caffe的實現形式說起了。在caffe基本數據結構blob中以如下形式保存數據： ?

blob=[batch_size, channel，height，width]

?

?

對應至上面的保存positive/negative anchors的矩陣，其在caffe blob中的存儲形式為[1, 2x9, H, W]。而在softmax分類時需要進行positive/negative二分類，所以reshape layer會將其變為[1, 2, 9xH, W]大小，即單獨“騰空”出來一個維度以便softmax分類，之后再reshape回復原狀。貼一段caffe softmax_loss_layer.cpp的reshape函數的解釋，非常精辟：

"Number of labels must match number of predictions; "
"e.g., if softmax axis == 1 and prediction shape is (N, C, H, W), "
"label count (number of labels) must be N*H*W, "
"with integer values in {0, 1, ..., C-1}.";

? 綜上所述，RPN網絡中利用anchors和softmax初步提取出positive anchors作為候選區域（另外也有實現用sigmoid代替softmax，輸出[1, 1, 9xH, W]后接sigmoid進行positive/negative二分類，原理一樣）。??

2.4 bounding box regression原理

如圖9所示綠色框為飛機的Ground Truth(GT)，紅色為提取的positive anchors，即便紅色的框被分類器識別為飛機，但是由于紅色的框定位不準，這張圖相當于沒有正確的檢測出飛機。所以我們希望采用一種方法對紅色的框進行微調，使得positive anchors和GT更加接近。

圖10

對于窗口一般使用四維向量?表示，分別表示窗口的中心點坐標和寬高。對于圖 11，紅色的框A代表原始的positive Anchors，綠色的框G代表目標的GT，我們的目標是尋找一種關系，使得輸入原始的anchor A經過映射得到一個跟真實窗口G更接近的回歸窗口G'，即： ?

給定anchor?；

尋找一種變換F，使得：，其中。

圖11

那么經過何種變換F才能從圖10中的anchor A變為G'呢？比較簡單的思路就是: ?

先做平移：

再做縮放：

觀察上面4個公式發現，需要學習的是這四個變換。當輸入的anchor A與GT相差較小時，可以認為這種變換是一種線性變換， 那么就可以用線性回歸來建模對窗口進行微調（注意，只有當anchors A和GT比較接近時，才能使用線性回歸模型，否則就是復雜的非線性問題了）。 ? 接下來的問題就是如何通過線性回歸獲得?了。線性回歸就是給定輸入的特征向量X, 學習一組參數W, 使得經過線性回歸后的值跟真實值Y非常接近，即Y=WX。對于該問題，輸入X是cnn feature map，定義為Φ；同時還有訓練傳入A與GT之間的變換量，即。輸出是四個變換。那么目標函數可以表示為： ?

其中是對應anchor的feature map組成的特征向量，?是需要學習的參數，是得到的預測值（*表示 x，y，w，h，也就是每一個變換對應一個上述目標函數）。為了讓預測值與真實值差距最小，設計L1損失函數：

函數優化目標為： ?

為了方便描述，這里以L1損失為例介紹，而真實情況中一般使用soomth-L1損失。 ? 需要說明，只有在GT與需要回歸框位置比較接近時，才可近似認為上述線性變換成立。
說完原理，對應于Faster RCNN原文，positive anchor與ground truth之間的平移量??與尺度因子?如下： ?

對于訓練bouding box regression網絡回歸分支，輸入是cnn feature Φ，監督信號是Anchor與GT的差距?，即訓練目標是：輸入 Φ的情況下使網絡輸出與監督信號盡可能接近。那么當bouding box regression工作時，再輸入Φ時，回歸網絡分支的輸出就是每個Anchor的平移量和變換尺度，顯然即可用來修正Anchor位置了。 ?

2.5 對proposals進行bounding box regression

在了解bounding box regression后，再回頭來看RPN網絡第二條線路，如圖12。

圖12 RPN中的bbox reg

先來看一看上圖11中1x1卷積的caffe prototxt定義： ?

?

layer {
  name: "rpn_bbox_pred"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_bbox_pred"
  convolution_param {
    num_output: 36   # 4 * 9(anchors)
    kernel_size: 1 pad: 0 stride: 1
  }
}

? 可以看到其 num_output=36，即經過該卷積輸出圖像為WxHx36，在caffe blob存儲為[1, 4x9, H, W]，這里相當于feature maps每個點都有9個anchors，每個anchors又都有4個用于回歸的變換量。 ? 回到圖8，VGG輸出?50*38*512?的特征，對應設置?50*38*k?個anchors，而RPN輸出： ?

?

?

大小為50*38*2k?的positive/negative softmax分類特征矩陣；

大小為?50*38*4k?的regression坐標回歸特征矩陣。

恰好滿足RPN完成positive/negative分類+bounding box regression坐標回歸。 ?

2.6 Proposal Layer

Proposal Layer負責綜合所有??變換量和positive anchors，計算出精準的proposal，送入后續RoI Pooling Layer。還是先來看看Proposal Layer的caffe prototxt定義： ?

?

layer {
  name: 'proposal'
  type: 'Python'
  bottom: 'rpn_cls_prob_reshape'
  bottom: 'rpn_bbox_pred'
  bottom: 'im_info'
  top: 'rois'
  python_param {
    module: 'rpn.proposal_layer'
    layer: 'ProposalLayer'
    param_str: "'feat_stride': 16"
  }
}

? Proposal Layer有3個輸入：positive vs negative anchors分類器結果rpn_cls_prob_reshape，對應的bbox reg的?變換量rpn_bbox_pred，以及im_info；另外還有參數feat_stride=16，這和圖4是對應的。 ? 首先解釋im_info。對于一副任意大小PxQ圖像，傳入Faster RCNN前首先reshape到固定MxN，im_info=[M, N, scale_factor]則保存了此次縮放的所有信息。然后經過Conv Layers，經過4次pooling變為WxH=(M/16)x(N/16)大小，其中feature_stride=16則保存了該信息，用于計算anchor偏移量。

?

?

圖13

Proposal Layer forward（caffe layer的前傳函數）按照以下順序依次處理： ?

生成anchors，利用對所有的anchors做bbox regression回歸（這里的anchors生成和訓練時完全一致）；

按照輸入的positive softmax scores由大到小排序anchors，提取前pre_nms_topN(e.g. 6000)個anchors，即提取修正位置后的positive anchors；

限定超出圖像邊界的positive anchors為圖像邊界，防止后續roi pooling時proposal超出圖像邊界（見文章底部QA部分圖21）；

剔除尺寸非常小的positive anchors；

對剩余的positive anchors進行NMS（nonmaximum suppression）

Proposal Layer有3個輸入：positive和negative anchors分類器結果rpn_cls_prob_reshape，對應的bbox reg的(e.g. 300)結果作為proposal輸出。

之后輸出proposal=[x1, y1, x2, y2]，注意，由于在第三步中將anchors映射回原圖判斷是否超出邊界，所以這里輸出的proposal是對應MxN輸入圖像尺度的，這點在后續網絡中有用。另外我認為，嚴格意義上的檢測應該到此就結束了，后續部分應該屬于識別了。 ? RPN網絡結構就介紹到這里，總結起來就是：
生成anchors -> softmax分類器提取positvie anchors -> bbox reg回歸positive anchors -> Proposal Layer生成proposals

3 RoI pooling

而RoI Pooling層則負責收集proposal，并計算出proposal feature maps，送入后續網絡。從圖2中可以看到Rol pooling層有2個輸入： ?

原始的feature maps

RPN輸出的proposal boxes（大小各不相同）

3.1 為何需要RoI Pooling

先來看一個問題：對于傳統的CNN（如AlexNet和VGG），當網絡訓練好后輸入的圖像尺寸必須是固定值，同時網絡輸出也是固定大小的vector or matrix。如果輸入圖像大小不定，這個問題就變得比較麻煩。有2種解決辦法： ?

從圖像中crop一部分傳入網絡；

將圖像warp成需要的大小后傳入網絡。

兩種辦法的示意圖如圖14，可以看到無論采取那種辦法都不好，要么crop后破壞了圖像的完整結構，要么warp破壞了圖像原始形狀信息。 ? 回憶RPN網絡生成的proposals的方法：對positive anchors進行bounding box regression，那么這樣獲得的proposals也是大小形狀各不相同，即也存在上述問題。所以Faster R-CNN中提出了RoI Pooling解決這個問題。不過RoI Pooling確實是從Spatial Pyramid Pooling發展而來，但是限于篇幅這里略去不講，有興趣的讀者可以自行查閱相關論文。 ?

3.2 RoI Pooling原理

分析之前先來看看RoI Pooling Layer的caffe prototxt的定義： ?

?

layer {
  name: "roi_pool5"
  type: "ROIPooling"
  bottom: "conv5_3"
  bottom: "rois"
  top: "pool5"
  roi_pooling_param {
    pooled_w: 7
    pooled_h: 7
    spatial_scale: 0.0625 # 1/16
  }
}

? 其中有新參數pooled_w和pooled_h，另外一個參數spatial_scale認真閱讀的讀者肯定已經知道知道用途。RoI Pooling layer forward過程： ?

?

?

由于proposal是對應MxN尺度的，所以首先使用spatial_scale參數將其映射回(M/16)x(N/16)大小的feature map尺度；

再將每個proposal對應的feature map區域水平分為pooled_w x pooled_h 的網格；

對網格的每一份都進行max pooling處理。

這樣處理后，即使大小不同的proposal輸出結果都是?pooled_w x pooled_h?固定大小，實現了固定長度輸出。

圖15 proposal示意圖

4 Classification

Classification部分利用已經獲得的proposal feature maps，通過full connect層與softmax計算每個proposal具體屬于那個類別（如人，車，電視等），輸出cls_prob概率向量；同時再次利用bounding box regression獲得每個proposal的位置偏移量bbox_pred，用于回歸更加精確的目標檢測框。Classification部分網絡結構如圖16。

圖16 Classification部分網絡結構圖

從RoI Pooling獲取到7x7=49大小的proposal feature maps后，送入后續網絡，可以看到做了如下2件事： ?

通過全連接和softmax對proposals進行分類，這實際上已經是識別的范疇了;

再次對proposals進行bounding box regression，獲取更高精度的rect box。

這里來看看全連接層InnerProduct layers，簡單的示意圖如圖17：

圖17 全連接層示意圖

其計算公式如下：

其中W和bias B都是預先訓練好的，即大小是固定的，當然輸入X和輸出Y也就是固定大小。所以，這也就印證了之前Roi Pooling的必要性。到這里，我想其他內容已經很容易理解，不在贅述了。 ?

5 Faster RCNN訓練

Faster R-CNN的訓練，是在已經訓練好的model（如VGG_CNN_M_1024，VGG，ZF）的基礎上繼續進行訓練。實際中訓練過程分為6個步驟： ?

在已經訓練好的model上，訓練RPN網絡，對應stage1_rpn_train.pt

利用步驟1中訓練好的RPN網絡，收集proposals，對應rpn_test.pt

第一次訓練Fast RCNN網絡，對應stage1_fast_rcnn_train.pt

第二訓練RPN網絡，對應stage2_rpn_train.pt

再次利用步驟4中訓練好的RPN網絡，收集proposals，對應rpn_test.pt

第二次訓練Fast RCNN網絡，對應stage2_fast_rcnn_train.pt

可以看到訓練過程類似于一種“迭代”的過程，不過只循環了2次。至于只循環了2次的原因是應為作者提到："A similar alternating training can be run for more iterations, but we have observed negligible improvements"，即循環更多次沒有提升了。接下來本章以上述6個步驟講解訓練過程。 ? 下面是一張訓練過程流程圖，應該更加清晰：

5.1 訓練RPN網絡

在該步驟中，首先讀取RBG提供的預訓練好的model（本文使用VGG），開始迭代訓練。來看看stage1_rpn_train.pt網絡結構，如圖19。

圖19 stage1_rpn_train.pt（考慮圖片大小，Conv Layers中所有的層都畫在一起了，如紅圈所示，后續圖都如此處理）

與檢測網絡類似的是，依然使用Conv Layers提取feature maps。整個網絡使用的Loss如下：

上述公式中 i?表示anchors index，表示positive softmax probability， 代表對應的GT predict概率（即當第i個anchor與GT間IoU>0.7，認為是該anchor是positive，；反之IoU<0.3時，認為是該anchor是negative，；至于那些0.3<0.7的anchor則不參與訓練）；t代表predict>

cls loss，即rpn_cls_loss層計算的softmax loss，用于分類anchors為positive與negative的網絡訓練；

reg loss，即rpn_loss_bbox層計算的soomth L1 loss，用于bounding box regression網絡訓練。注意在該loss中乘了??，相當于只關心positive anchors的回歸（其實在回歸中也完全沒必要去關心negative）。

由于在實際過程中，和差距過大，用參數λ平衡二者（如，時設置?），使總的網絡Loss計算過程中能夠均勻考慮2種Loss。這里比較重要是?使用的soomth L1 loss，計算公式如下： ?

了解數學原理后，反過來看圖18： ?

在RPN訓練階段，rpn-data（python AnchorTargetLayer）層會按照和test階段Proposal層完全一樣的方式生成Anchors用于訓練；

對于rpn_loss_cls，輸入的rpn_cls_scors_reshape和rpn_labels分別對應?與?，參數隱含在與的caffe blob的大小中；

對于rpn_loss_bbox，輸入的rpn_bbox_pred和rpn_bbox_targets分別對應 t?與?t*?，rpn_bbox_inside_weigths對應?，rpn_bbox_outside_weigths未用到（從smooth_L1_Loss layer代碼中可以看到），而同樣隱含在caffe blob大小中。

這樣，公式與代碼就完全對應了。特別需要注意的是，在訓練和檢測階段生成和存儲anchors的順序完全一樣，這樣訓練結果才能被用于檢測！ ?

5.2 通過訓練好的RPN網絡收集proposals

在該步驟中，利用之前的RPN網絡，獲取proposal rois，同時獲取positive softmax probability，如圖20，然后將獲取的信息保存在python pickle文件中。該網絡本質上和檢測中的RPN網絡一樣，沒有什么區別。

圖20 rpn_test.pt

5.3 訓練Faster RCNN網絡

讀取之前保存的pickle文件，獲取proposals與positive probability。從data層輸入網絡。然后： ?

將提取的proposals作為rois傳入網絡，如圖21藍框；

計算bbox_inside_weights+bbox_outside_weights，作用與RPN一樣，傳入soomth_L1_loss layer，如圖21綠框。

這樣就可以訓練最后的識別softmax與最終的bounding box regression了。

圖21 stage1_fast_rcnn_train.pt

之后的stage2訓練都是大同小異，不再贅述了。Faster R-CNN還有一種end-to-end的訓練方式，可以一次完成train，有興趣請自己看作者GitHub吧。 ? rbgirshick py-faster-rcn： github.com/rbgirshick/py-faster-rcnn

Q&A

此篇文章初次成文于2016年內部學習分享，再后來經多次修正和完善成為現在的樣子。感謝大家一直以來的支持，現在總結常見疑問回答如下： ?

為什么Anchor坐標中有負數？

回顧anchor生成步驟：首先生成9個base anchor，然后通過坐標偏移在50*38?大小的 1/16下采樣FeatureMap每個點都放上這9個base anchor，就形成了?50*38*k?個anhcors。至于這9個base anchor坐標是什么其實并不重要，不同代碼實現也許不同。 ? 顯然這里面有一部分邊緣anchors會超出圖像邊界，而真實中不會有超出圖像的目標，所以會有clip anchor步驟。

圖21 clip anchor

Anchor到底與網絡輸出如何對應？

VGG輸出 50*38*512?的特征，對應設置?50*38*k?個anchors，而RPN輸出?50*38*2k?的分類特征矩陣和?50*38*4k?的坐標回歸特征矩陣。

圖22 anchor與網絡輸出如何對應方式

其實在實現過程中，每個點的 2k?個分類特征與 4k?回歸特征，與 k?個anchor逐個對應即可，這實際是一種“人為設置的邏輯映射”。當然，也可以不這樣設置，但是無論如何都需要保證在訓練和測試過程中映射方式必須一致。 ?

為何有ROI Pooling還要把輸入圖片resize到固定大小的MxN？

由于引入ROI Pooling，從原理上說Faster R-CNN確實能夠檢測任意大小的圖片。但是由于在訓練的時候需要使用大batch訓練網絡，而不同大小輸入拼batch在實現的時候代碼較為復雜，而且當時以Caffe為代表的第一代深度學習框架也不如Tensorflow和PyTorch靈活，所以作者選擇了把輸入圖片resize到固定大小的800x600。這應該算是歷史遺留問題。 ? 另外很多問題，都是屬于具體實現問題，真誠的建議讀者閱讀代碼自行理解。??

編輯：黃飛