论文阅读学习 - Fast R-CNN

最新推荐文章于 2024-04-11 20:51:45 发布

AIHGF

最新推荐文章于 2024-04-11 20:51:45 发布

阅读量1.3k

点赞数

分类专栏：论文阅读目标检测文章标签：论文阅读目标检测 caffe

本文链接：https://blog.csdn.net/zziahgf/article/details/78408035

版权

Fast R-CNN是基于R-CNN和SPPNet改进的目标检测算法，它解决了两者的速度和精度问题。通过RoI Pooling层实现固定尺寸特征，结合multi-task loss进行端到端训练，提高了检测质量和训练效率，同时消除了特征存储需求。Fast R-CNN在训练和测试阶段均优于R-CNN和SPPNet，是目标检测领域的重要进步。

摘要由CSDN通过智能技术生成

Fast R-CNN

Fast R-CNN - Fast Regin-based Convolutional Network for Objection Detection

[Paper]

[Code-Caffe]

1. R-CNN

R-CNN 采用深度网络来对 object proposals 分类以进行目标检测，其缺点如下：

训练是 multi-stage 的.
- a). R-CNN 首先采用 log loss 对 object proposals 微调 ConvNet；
- b). 然后将 ConvNet 特征送入 SVMs 分类器. 将 SVMs 作为目标检测器，取代微调的 softmax 分类器；
- c). 学习 bounding-box 回归器.
训练的空间和时间代价较高.

训练 SVM 和 bounding-box 回归器时，需要对每张图像的每个 object proposal 进行特征提取，并写入磁盘.

采用深度网络，比如 VGG16，对 VOC07 trainval 数据集的 5K 张图片，这个过程需要 2.5 GPU-days；且提取的特征需要大量的存储空间.
目标检测速度慢.

测试时，对每张测试图片的每个 object proposal 进行特征提取.

基于 VGG16 的检测，单张 GPU 卡，每张图片需要 47s.

2. SPPNet

由于 R-CNN 需要对每个 object proposal 进行 ConvNet 前向计算，且没有共享计算，造成其速度较慢.

SPPNets，Spatial Pyramid Pooling Networks，通过共享计算来提高 R-CNN 的速度.

SPPNets 对整张输入图片计算一个卷积 feature map，采用从共享特征图(feature map)提取的特征向量来对每个 object proposal 进行分类.

每个 proposal 的特征提取，是采用 max-pooling 将 proposal 的特征图的一部分转换成固定尺寸的输出(fixed-size output, e.g. 6*6) 得到的. 多个输出尺寸采用 pool 操作，并连接为空间金字塔池化(spatial pyramid pooling).

SPPNet 的测试效率，是 R-CNN 的 10 - 100 倍. 由于较快的特征提取速度，训练时间也降低了 3 倍.

但，SPPNet 的明显缺点在于：

类似于 R-CNN，其训练也是 multi-stage 的，包括，特征提取，利用 log loss 微调网络，训练 SVMs 分类器，以及拟合 bounding-box 回归器.
特征也需要写入磁盘.
与 R-CNN 不同在于，SPPNets 的微调算法不能对 spatial pyramid pooling 的卷积层进行更新，这也就限制了其在深度网络中的精度.

3. Fast R-CNN

相对于 R-CNN 和 SPPNet， Fast R-CNN 解决了以上它们的不足，并提升了速度和精度. 其优势在于，

较高的检测质量(mAP)
训练是 single-stage 的，采用了 multi-task loss
训练可以对整个网络层进行更新
不需要磁盘空间来缓存特征.

Fast R-CNN 网络结构为：
这里写图片描述
Figure 1. Fast R-CNN 结构. 一张输入图片和多个 RoIs 作为全卷积网络的输入，每个 RoI 被池化到一个固定尺寸的特征图，并采用全连接层映射为一个特征向量. 对于每个 RoI，网络有两个输出向量：softmax 概率和 per-class bounding-box 回归偏移值. 网络是采用 multi-task loss 进行 end-to-end 训练的.

Fast R-CNN 采用整张图片和 object proposals 集作为网络输入.

网络首先几个卷积层和 max-pooling 层对整张图片处理，得到一个 conv feature map.

然后，对每一个 object proposal，采用 RoI pooling 层从 feature map 中提取一个固定长度的特征向量；

每个特征向量被送入一系列的全连接层，最终有两个分支：一个分支得到 softmax 概率值，共 K 个 object 类和一个 background 类；另一个分支针对 K 个 object 类输出四个实值，分别表示了每类 object 的 bounding-box 位置.

3.1 RoI Pooling 层

RoI pooling 层采用 max-pooling 来将任何有效的 RoI 内的 features 转化为一个小的 feature map，其是固定空间尺寸( $H*W$ , e.g. $7*7$ )的. 其中 $H$ 和 $W$ 是独立于任何 RoI 超参数.

这里，一个 RoI 是在 conv feature map 的一个方框. 每个 RoI 是由四元组 $(r, c, h, w)$ 定义，分别指定了 RoI 的左上角 $(r, c)$ 和高度和宽度 $(h,w)$ .

RoI max-pooling 层通过将 $h*w$ 的 RoI windows 分割为 $H*W$ 的 sub-windows 网格，共 $h/H * w/W$ , 并对每个 sub-windows 的值进行 max-pooling 处理，得到对应的输出网格单元. 对每个 feature map channel 分别 pooling 处理，类似于标准 max-pooling.

RoI 层可以简单的看成 SPPNet 中的 spatial pyramid pooling 层的一种特例.

RoI 是从原图RoI区域映射到卷积区域，最后pooling到固定大小的功能，通过池化把该区域的尺寸归一化成卷积网络输入的尺寸.

3.2 网络的初始化

基于在 ImageNet 预训练的网络来初始化 Fast R-CNN 网络.

基于 VGG16 的训练网络输出部分如图：
这里写图片描述

3.3 Fast R-CNN 训练

Fast R-CNN 训练过程中，SGD 先采样 N 张图像，再对每张图片采样 $R/N$ 个 RoIs，以分层采样 mini-batches.

相同图片的 RoIs 在前向和反向传播过程中，共享计算和内存.

Fast R-CNN 联合训练 softmax 分类器和 bounding-box 回归起，而分别训练 softmax 分类器，SVMs，回归器.

3.3.1 Multi-task loss

Fast R-CNN 网络有两个输出层，一个输出每个 RoI 对 $K+1$ 类object 的离散概率分布， $p = (p_0,…,p_K)$ . 其中， $p$ 是对全连接层的 $K+1$ 个输出计算的 softmax 概率；另一个输出 $K$ 个 object 类的 bounding-box 回归偏移值， $t^{k} = (t_{x}^{k}, t_{y}^{k}, t_{w}^{k}, t_{h}^{k}), k = 1, \dots, K$