深度学习——Fast R-CNN原理

在SPPNet中，实际特征提取和区域分类是两个分离的步骤，利用ROI池化层来提取每个区域的特征，然后利用传统的SVM作为分类器对这些区域进行分类。

Fast R-CNN相比SPPNet更进一步，不再使用SVM作为分类器，而是使用神经网络进行分类，这样就能同时训练特征提取网络和分类网络，比SPPNet取得更高准确度。Fast R-CNN网络结构如下图：

 

 

 

 

对于原始图中的候选区域框，和SPPNet做饭一样，都是将它映射到卷积特征对应区域（对应图中的是ROI projection这个步骤），然后使用ROI池化层（ROI pooling layer）对卷积层上的这个区域提取特征。在这之后SPPNet是使用SVM对特征进行分类的，而Fast R-CNN 则是直接使用全连接层（FCs）。全连接层有两个输出，一个输出负责分类（图中FC 后接的Softmax），一个输出负责框的回归（图中bbox regressor）。

分类，若我们要检测K类物体，那么最后输出应该是K+1个数（其中一类是背景类），每个数都代表该区域为某类别的概率，表征该区域有无目标物的情况。

框回归，该步骤实际是对原始检测框做一定层度“校准”。因为用Selective Search获取的框有时存在一定偏差。假设用SS获取的初始框包含四个参数（x,y,w,h），其中（x,y）表示框左上角的位置，而（w,h）表示框的宽度和高度。而真正的框的位置用（x',y',w',h'）表示，框回归就是要学习参数 其中，两个数表示与尺度无关的平移量，而 两个数表示的是和尺度无关的缩放量。

Fast R-CNN 使用一个网络就能同时完成了提取特征，判别类别和框回归三项任务。