目标检测算法Faster RCNN的损失函数以及如何训练？

今天我们主要看下Faster RCNN算法的损失函数以及如何训练？

损失函数：

从上一期Faster RCNN的算法原理上，我们知道Faster RCNN算法有两部分，一个是用来提取候选框的RPN网络，一个是最后检测目标的分类回归网络。通过学习，我们知道RPN网络在提取候选框的时候有两个任务，一个是判断该anchor产生的候选框是否是目标的二分类任务，另一个是对该候选框进行边框回归的回归任务。 而Faster RCNN最后的目标检测网络同样也有两个任务，跟RPN网络类似，一个是判断RPN网络产生的候选框框住的物体是具体哪一类物体的分类任务，另一个是对该候选框进行回归的回归任务。 既然两个网络都是多任务网络，那么，我们先看看RPN网络的损失函数是怎么样的？先上RPN网络的总体损失函数，接下来分析，如下（公式可左右滑动）：

上面损失函数可以明显的分成两部分，+号左边为分类的损失值，右边为回归的损失值。逐个看，先考虑分类的loss。

分类loss

如何训练？

这个Faster RCNN模型的训练有些复杂，我们还是先把上期的这个算法流程图贴上，有助于下面训练流程的理解，如下：

从上图，我们可以看出，整个算法的两个网络（RPN和最终的分类回归网络）共用同一个卷积网络。那么该如何才能达到共用呢？这里分四步来训练：

1. 用ImageNet模型初始化，先独立训练一个RPN网络；
2. 仍然用ImageNet模型初始化，但是使用上一步训练好的RPN网络产生的候选框作为输入，训练一个Fast-RCNN网络；
3. 用上一步的Fast-RCNN网络模型重新初始化RPN网络，但是不更新Fast-RCNN网络模型的共享卷积层，只更新RPN网络的特有层；
4. 用第2步的Fast-RCNN网络模型重新初始化，但是不更新Fast-RCNN网络模型的共享卷积层，使用第3步新的RPN网络重新产生候选框做输入，训练一个Fast-RCNN网络。以此达到RPN网络和最终的检测网络共享卷积层。

相当于是先用一个ImageNet模型初始化训练，然后再用训练好的模型去微调两个网络。至此，我们已经了解了Faster RCNN的损失函数和训练过程。下期我们将继续学习常见的目标检测模型SSD算法。