SPP-Net 总结
1、计算时间特别长,重复计算太多。
2、需要分别训练,即需要训练网络参数,训练SVM分类器,同时还要训练bounding box regression,且三者是独立进行的,那么理想情况下,能不能将三者结合到一个网络中进行学习呢?
解决方案:
针对以上问题一,SPP-Net很好的解决了重复计算的问题,进行了很大程度上的加速,同时能够保证准确率。
针对以上两个问题,Fast Rcnn和Faster Rcnn很好地进行了解决,这两篇文章都是在两方面进行改进,即缩短训练和测试时间,同时将以上的三个步骤整合到一个网络中进行训练,这样能够很好地进行解决。
本次内容只着重总结一下SPP-Net的内容,对于Fast Rcnn 和Faster Rcnn后边会进行总结。
对应的论文是:http://arxiv.org/pdf/1406.4729v2.pdf
对应的slide:http://research.microsoft.com/en-us/um/people/kahe/eccv14sppnet/sppnet_ilsvrc2014.pdf
*****************************************************************************
动机:
1、Rcnn 训练时间较长,且使用Selective search 进行提取不同size的矩形框,会存在很多的重复计算问题。
2、提取得到的不同size的矩形框还需要通过crop或者warp的方法把size统一到224*224,那么问题来了,crop会使得物体可能会被截断,而warp物体就会被拉伸,就会产生形变。具体效果参见下图:
针对以上问题,文章提出了一种开创性的方法,如下:
作者注意到,如果我们不把size统一到224*224会怎样呢?如果我们输入整幅图像,能够能进行处理呢?而且作者注意到,其实在卷基层,对size的大小并没有什么要求,而对size有一定要求的其实是全连接层,那么我们能不能在卷积层对整幅图像进行卷积,卷积完成之后,我们通过一定的策略将所得到的特征转化为特定长度的特征,以此来输入到全连接层进行处理,这样既能减少重复计算,即大大介绍了卷积的时间,在这种情况下,作者想到了 Spatial Pyramid Pooling(SPP),SPP可以做到不管输入图像的尺寸是多大,都能够正确地产生特定长度的特征,从而可以输入到全连接中,那么该问题就得到了很好的解决。
那么与Rcnn相比较,SPP-Net不同可以通过下图理解:
文章中介绍了利用SPP-Net来解决两种问题:1、图像分类; 2、目标检测
针对第一个问题:图像分类
文章在四种网络结构上进行改进:ZF-5; Convnet*-5; Overfeat-5/7;针对不同的网络,作者采用了不同的策略,具体策略有点繁琐此处就不做过多解释,仔细阅读原文。
几个概念:
Multi-level pooling: 指的是SPP layer,可以采用{4*4,3*3,2*2,1*1}来获取不同尺度的特征,则会产生(16+9+4+1)*256维的特征。
Multi-size Trainging: 文中提出策略是将图像最小的边按照长宽比不变的原则resize到256,然后在卷积之后的feature map上截取size 为224*224大小和size为180*180的patch,之后进行迭代训练,即利用size为224的patch进行一次训练,然后利用size为180的大小的图像patch进行训练,一次交替进行,文中进行试验表明,这种交替训练可以提高分类准确率。(注:文中进行测试时,只使用了size为224大小的patch)
10 views:指的是patch的截取和翻转,即在图像的中心处,以及图像的四个角都截取指定大小的patch,然后再通过翻转就可以获得10个patch,故称为10 views.
multiple scales:文章中还考虑了输入图像的多尺度问题,即将输入图像resize到最小边的边长为{224,256,300,360,448,560}进行实验,实验表明这种方法也可以提高准确率。
最后作者通过大量对比实验,来说明自己方法的优越性,总之一句话,SPP-Net可以提高各种网络在图像分类中的速度和准确率。如下,
针对第二个问题:目标检测
目标检测的流程图:主要思想跟图像分类问题类似,最大的不同是在feature maps提取检测框,然后最检测框中的提取图像金字塔特征,然后输入到全连接层,获取每个框的特征,最后通过训练SVM分类器,同时根据Rcnn的方法来训练bounding box regression。
与Rcnn的区别可以通过下图直观地表达出来:
文章中的一个局限是:不管是分类问题还是检测问题,只对全连接层进行了fine-tuning,即卷积层的参数估计下来之后,不会通过误差反传进行更新。
实验表明,SPP-net获得的准确率跟Rcnn类似,但速度更快。同时文中还尝试了多尺度输入进行检测,取得了一定的提升,在VOC2007数据集上的测试对比效果如下: