深度学习经典目标检测实例分割语义分割网络的理解之三 FAST-RCNN

再次感谢@shenxiaolu1984 ，写了一系列关于目标检测深度学习模型的优秀博文，本文主要参考fast-rcnn这篇（大部分照搬过来了，局部加入自己的理解和补充）。

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

继续上一篇RCNN之后，继续介绍FAST-RCNN, 因为RCNN虽然实现了bbox的预测，但是非常缓慢，存在大量的重复运算。

fast-rcnn就是在rcnn基础上进行的改进。

 

改进：Fast RCNN方法解决了RCNN方法三个问题：

问题一：测试慢 
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。

以下按次序介绍三个问题对应的解决方法。

 

特征提取网络

基本结构

 

roi : reginal of interest

前五阶段是基础的conv+relu+pooling形式，做roi polling时，再输入P个候选区域（图像序号×1+几何位置×4，序号用于训练）。然后得到的feature map 就是（6*6*256*P）大小的conv map。

注：文中给出了大中小三种网络，此处示出最大的一种。三种网络基本结构相似，仅conv+relu层数有差别，或者增删了norm层

 

roi_pool层的测试(forward)

调整大小参照SPP polling 的方法，在roi区域内max pooling或者average polling。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。 

SPP 的一篇博文 https://blog.csdn.net/juronghui/article/details/78648806 很经典的思想，以后会还会遇到的。

roi_pool层的训练(backward)

首先考虑普通max pooling层。设xixi为输入层的节点，yjyj为输出层的节点。 

∂L∂xi　=　{0∂L∂yjδ(i,j)=falseδ(i,j)=true

其中判决函数δ(i,j)表示i节点是否被j节点选为最大值输出。不被选中有两种可能：xi不在yj范围内，或者xi不是最大值。

对于roi max pooling，一个输入节点可能和多个输出节点相连。设xi为输入层的节点，yrj为第r个候选区域的第j个输出节点。 

∂L∂xi=Σr,jδ(i,r,j)∂L∂yrj

判决函数δ(i,r,j)表示i节点是否被候选区域r的第j个节点选为最大值输出。代价对于xi的梯度等于所有相关的后一层梯度之和。

 

网络参数训练

参数初始化（迁移学习）

网络除去末尾部分如下图，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。

训练数据构成。

N张完整图片以50%概率水平翻转。 
R个候选框的构成方式如下：

 

 

 

类别	比例	方式
前景	25%	与某个真值重叠在[0.5,1]的候选框
背景	75%	与真值重叠的最大值在[0.1,0.5)的候选框

 

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

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：（这部分我也比较疑惑，为何式子这么简单）

所以补充一下上图中的SoftmaxWithLoss:

参考：https://blog.csdn.net/tianrolin/article/details/52594975

Softmax计算公式（正则化到数值[0, 1]区间）

再用上式计算loss: 根据Cross-Entropy的定义有，

反向传导时，计算偏导 （也因为偏导数很简单，所以计算会很快，大家喜欢用）：

 

loss_bbox

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：

 

g为Smooth L1误差，对outlier（离群点）不敏感： 

总代价为两者加权和，如果分类为背景则不考虑定位代价： 

 

源码中bbox_loss_weights用于标记每一个bbox是否属于某一个类

同年作者团队又推出了Faster RCNN，进一步把检测速度提高到准实时，可以参看@shenxiaolu1984 的这篇博客。

我也会在 @shenxiaolu1984的博客基础上继续写下一篇Faster-rcnn的剖析。

关于RCNN, Fast RCNN, Faster RCNN这一系列目标检测算法，可以进一步参考作者在15年ICCV上的讲座Training R-CNNs of various velocities。