ICCV2015(object detection)：Fast RCNN-论文解读《Fast R-CNN》

原文地址

https://arxiv.org/abs/1504.08083

论文阅读方法

三遍论文法

初识（Abstract & Introduction & Conclusion）

本文(Fast R-CNN)在之前RCNN的基础上应用了多种创新，提升了训练和测试的速度，同时也提升了检测的准确率。

首先，作者说明目标检测任务需要对物体进行精准的定位，从而产生两个问题：首先大量的候选proposal需要被处理，其次这些proposal只能提供粗略的定位，必须对其进行refine得到更精确的定位。而要解决这些问题，通常会降低模型的速度、准确度或简单性，因此本文提出了一个single-stage训练算法，可以同时学习分类object proposal以及refine空间位置。

作者指出RCNN存在以下几个缺点：

1. 训练的流程是多阶段的：R-CNN首先需要对CNN进行fine-tuning，然后再利用CNN提取的特征训练SVM，最后还需要学习boundding-box回归模型。
2. 训练占用了太多时间、空间资源：为了训练SVM和bounding-box回归模型，需要对所有图像的object proposal提取特征并存入磁盘，这需要耗费大量时间空间。
3. 检测过程太慢：在测试时，每个测试样本中的所有object proposal都需要提取特征，速度太慢。

同时，本文也提到了SPPnet，SPPnet的核心思想就是计算整个输入图像的feature map，从这个共享feature map上提取每个object proposal所对应的特征向量进行分类。SPP会对proposal内的feature map特定区域进行max-pool操作，使其变为固定大小输出(例如. 6x6)。在spatial pyramid pooling中得到不同尺度的输出后，将其串联作为最后的特征(固定尺寸)。SPP的好处是只需要对全图提取一次feature map，并且可以接受任意大小的输入，如下图所示：

关于SPPNet详情可参考这篇博客：https://blog.csdn.net/v1_vivian/article/details/73275259

但SPPNet的缺点也类似于RCNN：训练过程也是多阶段的，fine-tune CNN+SVM+Bounding-box回归；CNN提取的特征也需要存入磁盘，并且其在fine-tuning过程中没有更新SSP之前的卷积层(固定的卷积层也限制了SPPNet的准确性)。

本文的贡献可以归纳为以下几点：

1. 比R-CNN，SPPNet的检测质量更高(mAP)；
2. 训练过程是单阶段的，同时使用了multi-task loss；
3. 训练能够更新所有的网络层；
4. feature缓存不需要写入硬盘

相知（Body）

2. Fast R-CNN architecture and training

Fast R-CNN的整个流程如上图所示：网络以一张完整图像和一组object proposals作为输入，网络首先处理整幅图像从而产生Conv feature map(经过卷积+池化)，对于每个object proposal，利用Region of Interest(RoI) Pooling层从对应的feature map提取固定长度的特征向量。随后，特征向量送入一系列的全连接层并得到两个输出层：一个用于预测类别的softmax层(K+1类)，另一层为K类中的每一类object输出四个值(用于refine bounding-box的位置)

2.1 The RoI pooling layer

ROI pooling层主要使用max pool将每个ROI的feature转换为一个固定尺寸(H x W)的feature map，本文中ROI就是Conv feature map中的一个矩形窗口，每个ROI可以由一个四元组确定(x,y,h,w)，(x,y)为左上角坐标，h为高，w为宽。

ROI pooling就是将h * w的ROI窗口分为H * W个子窗口，对每个子窗口进行max-pooling操作，最后就得到了H*W大小的固定输出。ROI pooling为SPP的一个特例，因为只用了一种尺寸(HxW)的子窗口。

2.2 Initializing from pre-trained networks

预训练网络要初始化为Fast R-CNN的backbone需要经历三个阶段：

1. 最后一个pooling层被ROI pooling层所代替，并且H和W设置为对应的值以匹配后续的全连接层(例如VGG16，H=W=7)；
2. 最后的全连接层和softmax层用上文提到的两个输出层代替;
3. 输入改为为两个输入：图像以及图像中的RoI。

2.3 Fine-tuning for object detection

首先说明SPPNet在fine-tuning阶段为什么不对SPP之前的卷积层更新，根本原因是由于SPPNet中每个训练样本(即RoI)来自不同图片，这导致反向传播过程非常低效：每个ROI可能有很大的感受野(通常覆盖整幅图)，并且前向传递必须处理整个接收场，因此训练输入很大(通常是整个图像)，反向传播算法计算时需要用到正向传递过程的数据，这导致需要存储的数据量巨大。

本文提出了一个更高效的训练策略：SGD的mini-batch为层次采样，采样N个图像，然后每幅图像采用R/N个ROI，这样来自于同一幅图像的ROIs可以在前向和后向传播中共享权重和内存(其中N越小计算量越小，比如N=2，R=128比ROI来自128幅不同图像的训练策略快了64x，这也是RNN和SPPNet所用的策略)。

除了层次采样，Fast RCNN使用one fine-tuning stage (RCNN为3阶段)，同时优化softmax分类器以及bounding box回归器。

Multi-task loss

本文有两个任务分支，一个是分类，另一个是用于bounding-box回归，因此使用了多任务loss：

其中，第一个L_cls 用于衡量类别预测的log loss：

式(1)中第二个部分用来衡量对真实类别u预测的bounding-box与groundtruth间的差距，其中[·]为指示函数，意为不考虑类别u为背景的情况(u=0代表背景类，因为对于背景类的bounding-box没有真正的groundtruth)，λ为超参数用于平衡loss间尺度差异。

对于类别u来说，其bounding-box回归的ground-truth为以下元组：

从bounding-boxregression支路预测出来的输出为：

预测元组中每个元素能够指定与object proposal相关的scale-invariant translation和log-space height/width shift (并不直接为坐标、长宽值)

其中，L_loc 的具体形式为：

其中，smooth的具体形式为：

Mini-batch sampling

在fine-tuning阶段，N=2，R=128，每幅图像选取64个ROI。所选的ROI中IoU>0.5的占25%，这ROIs包含了前景(u≥1)；剩余的75%在[0.1, 0.5)之间选取(从大到小依次选择)；小于0.1的ROI可作为hard example mining。在训练阶段，使用概率为0.5的随机水平翻转用于数据增广。

2.4 Scale invariance

本文使用了两种方式来学习目标检测中的尺度不变性(不同尺度的图像都能被正确预测)：

1. "brute force" learning (单一尺度)：在训练和测试时，每幅图像都要被处理为预先设定的尺寸。整个网络需要直接从训练数据中学到尺度不变性；
2. Image Pyramid (多尺度)：训练时随机从Image Pyramid Scale采样(类似于数据增广)，测试时根据proposal来选择Pyramid中最相似的图像(详见下文)。

3. Fast R-CNN detection

Fast R-CNN经过fine-tuned之后，检测的过程实际就是做一次forward pass(假设proposal已经计算好)。以一张图片(或者是Image Pyramid，编码了一组图片)和一组object proposal(大小为R，为2000)作为输入，当使用Image Pyramid时，在Pyramid中选择ROI最接近224² 的feature map提取对应的ROI feature(例如Image Pyramid中image scale为{480, 576, 688, 864, 1200, itself}, 找到图像中proposal最接近224x224的feature map)。

对于每个ROI r，送入网络会得到类别概率p和与r相关的bounding-box offset，使用与R-CNN中的非极大值抑制算法对每个类的ROI进行筛选。

3.1 Truncated SVD for faster detection

对于Fast RCNN来说，每张图都有大概2k个proposal，这样在前向计算时，全连接层计算会浪费很多时间，但它可以通过截断SVD进行压缩从而提升速度。

全连接层权重矩阵W的维度为u x v，可以使用SVD近似分解为：

其中U为一个u x t的矩阵(压缩了W的前t个左奇异向量)，∑_t 为t x t矩阵(包含W的前t个奇异值)，V是一个v x t矩阵(压缩了W的前t个右奇异向量)。截断SVD将计算量由uv减少为t(u+v)。压缩后的网络，与W对应的全连接层变为两个全连接层，如下图所示：

4. Main results

主要的实验结果如下：

1. 在VOC 2007和2012benchmark上取得新的SOTA mAP
2. 相比于R-CNN、SPPNet具有更快的训练和测试速度
3. 在VGG16上对卷积层进行fine-tuning提高了mAP

这里就不贴实验结果了，有兴趣的可以参看原文对应段落

5. Design evaluation

为了更好地证明Fast RCNN结构设计的合理性，设计了一系列实验。

5.1 Does multi-task training help?

多任务训练可以提升性能，因为任务之间可以通过shared representation(CNN)相互影响，协同学习。

5.2 Scale invariance: to brute force or finesse?

比较single scale(brute)和multi-scale(Image Pyramid)两者对于测试性能的区别：

对于Large的深度模型，权衡速度-准确率，只使用single-scale方案。

5.3 Do we need more training data?

答案是毋庸置疑的，训练数据对于深度学习任务来说就是多多益善。

5.4 Do SVMs outperform softmax?

在Fast RCNN框架上，softmax比SVM要好一些，作者认为这是由于softmax在进行scoring ROI时引入了类别间竞争，并且使用softmax代替SVM能避免大量的内存消耗(不需要将feature map存入磁盘)。

5.5 Are more proposals always better?

候选区域也并非越多越好

回顾（Review）

Fast RCNN发表于ICCV2015，为RCNN系列的第二版，其在RCNN的基础上提升了不少精度以及速度。其与RCNN的主要区别为：

1. 首先同样适用Selective Search算法搜索proposals；
2. 利用CNN对image进行前向计算，得到Conv Feature Map，然后从中选取proposal所对应的特征向量(ROI)，而RCNN中需要将所有的proposal送入CNN进行特征提取；
3. 受SPPNet的启发，设计ROI pooling层能够对任意的Input进行处理，从而得到固定尺度的特征向量用于后续的分类；
4. 分类不再采用class-specific的线性SVM，也不再单独使用bounding-box regression模型来修正锚框，而是直接在ROI pooling层后使用全连接层，并产生两条分支，一条用于分类预测，一条用于bounding-box回归。
5. 整个训练过程变得简化，除了ss算法生成proposal，剩下的训练变为了end-to-end learning。

虽然还有很多细节没有总结，但完全可以看出Fast RCNN在RCNN的基础上改进了不少，并且融入了新的结构与想法，在性能上也得到了很大提高。

关于代码

本文所用方法较老，这里就不贴代码链接以及复现了，大家有兴趣可以自行去github上搜素。

---

以上为个人的浅见，水平有限，如有不对，望大佬们指点。

未经本人同意，请勿转载，谢谢。