目标检测之Fast R-CNN通俗详解

Fast R-CNN 介绍

R-CNN算法除了候选框选取上耗时的缺陷外，另外一个最大的缺陷就是矩形框重叠部分的特征提取存在重复计算，针对这个缺陷，R-CNN的作者继续发力，又提出了R-CNN的快速版本，即Fast R-CNN。
Fast R-CNN就是R-CNN结合SPPNet所做的改进和优化，采用了ROI Pooling层来完成image的crop或者warp，得到固定尺寸的输出给到fc层（这里的ROI Pooling可以理解成单层的SPPNet）；同时，Fast R-CNN还采用了多任务网络来同时解决分类和位置回归，替换了R-CNN中的SVM以及线性回归，大大缩短训练时间。
所以，总结来说，Fast R-CNN主要有两点改进：ROI Pooling和多任务网络。

ROI Pooling
ROI Pooling可以看成是SPPNet最简单的一种形式，就是单层SPPNet，当然它也是池化层的一种。
大致原理就是要实现一个proposal抠图的过程，先把proposal抠出来，根据proposal的相对坐标抠取到feature map上所对应的的候选区域的位置，然后对抠取出的feature map进行resize到一个统一的size，通常这里的resize我们会采用特定的pooling操作，具体操作如下：
1）根据输入的image， 将ROI映射到feature map对应的位置：由于我们输入的proposal的真实位置是相对于原图的，而ROI Pooling是作用在卷积层的输出feature map上，所以需要映射到feature map的对应位置；
2）将上面得到的位置抠取出来，并划分为多个相同大小的block（网格结构），block数量与最后输出的维度相同；
3）对每个block进行最大池化操作；
4）最后得到固定尺寸的输出；

Fast R-CNN原理

可以看到，Fast R-CNN与SPPNet的主要不同在于卷积层之后以及FC层之前的这一部分，与SPPNet不同的是，Fast R-CNN采用ROI Pooling层来得到FC层的输入，以达到固定尺寸的目的，然后fc层的输出分成两部分，一部分进行bounding box的回归，一部分进行候选框类别的判定。
总结就是：
image->CNN->SS->ROI Pooling->FC->class identification && boundingbox regression

Fast R-CNN缺点

仍然存在巨大的一个瓶颈，那就是选择性搜索进行候选框的提取，非常耗时，所以我们需要思考一个问题就是，我们能不能找出一个更加高效快速的方法来得到这些候选框呢？答案当然是肯定的，那就是RPN网络（Region Proposal Network）。

与R-CNN的对比

可以看出来，相比于R-CNN来说，Fast R-CNN实现了目标检测算法质的飞越，可喜可贺！