毕设日志——Fast RCNN

https://blog.csdn.net/shenxiaolu1984/article/details/51036677

同样使用最大规模的网络，Fast RCNN和RCNN相比，训练时间从84小时减少为9.5小时，测试时间从47秒减少为0.32秒。在PASCAL VOC 2007上的准确率相差无几，约在66%-67%之间。

Fast RCNN方法解决了RCNN方法三个问题：

• 问题一：测试时速度慢

RCNN一张图像内候选框之间大量重叠，提取特征操作冗余。
本文将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框。

• 问题二：训练时速度慢

原因同上。
在训练时，本文先将一张图像送入网络，紧接着送入从这幅图像上提取出的候选区域。这些候选区域的前几层特征不需要再重复计算。

• 问题三：训练所需空间大

RCNN中独立的分类器和回归器需要大量特征作为训练样本。
本文把类别判断和位置精调统一用深度网络实现，不再需要额外存储。

特征提取网络

基本结构

图像归一化为224×224直接送入网络。

前五阶段是基础的conv+relu+pooling形式，在第五阶段结尾，输入P个候选区域（（图像序号×1+几何位置×4）

roi_pool层的测试(forward)

roi_pool层将每个候选区域均匀分成M×N块，对每块进行max pooling。将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层。

roi_pool层的训练(backward)

网络参数训练

参数初始化

在ImageNet上训练1000类分类器。结果参数作为相应层的初始化参数。 其余参数随机初始化。

分层数据

在调优训练时，每一个mini-batch中首先加入N张完整图片，而后加入从N张图片中选取的R个候选框。这R个候选框可以复用N张图片前5个阶段的网络特征。
实际选择N=2， R=128。

分类与位置调整

数据结构

第五阶段的特征输入到两个并行的全连层中（称为multi-task）。

• cls_score层用于分类，输出K+1维数组p，表示属于K类和背景的概率。
• bbox_prdict层用于调整候选区域位置，输出4*K维数组t，表示分别属于K类时，应该平移缩放的参数。

代价函数

loss_cls层评估分类代价。由真实分类u对应的概率决定：
$L_{cls}=-log{p}_u$
loss_bbox评估检测框定位代价。比较真实分类对应的预测参数tu和真实平移缩放参数为v的差别：
$L_{loc}={\sum }_{i=1}^{4}g(t_i^u-v_i)$
g为Smooth L1误差.

• 总代价为两者加权和，如果分类为背景则不考虑定位代价。