【目标检测】Fast RCNN算法详解

论文解读 专栏收录该内容
28 篇文章 10 订阅

Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.

继2014年的RCNN之后,Ross Girshick在15年推出Fast RCNN,构思精巧,流程更为紧凑,大幅提升了目标检测的速度。在Github上提供了源码

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.

思想

基础:RCNN

简单来说,RCNN使用以下四步实现目标检测:
a. 在图像中确定约1000-2000个候选框
b. 对于每个候选框内图像块,使用深度网络提取特征
c. 对候选框中提取出的特征,使用分类器判别是否属于一个特定类
d. 对于属于某一特征的候选框,用回归器进一步调整其位置
更多细节可以参看这篇博客

改进:Fast RCNN

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。

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

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,序号用于训练)?。
这里写图片描述

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)

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。
这里写图片描述

roi_pool层的训练(backward)

首先考虑普通max pooling层。设 x i x_i xi为输入层的节点, y j y_j yj为输出层的节点。
∂ L ∂ x i = { 0 δ ( i , j ) = f a l s e ∂ L ∂ y j δ ( i , j ) = t r u e \frac{\partial L}{\partial x_i}=\begin{cases}0&\delta(i,j)=false\\ \frac{\partial L}{\partial y_j} & \delta(i,j)=true\end{cases} xiL={0yjLδ(i,j)=falseδ(i,j)=true

其中判决函数 δ ( i , j ) \delta(i,j) 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: x i x_i xi不在 y j y_j yj范围内,或者 x i x_i 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 x i x_i xi为输入层的节点, y r j y_{rj} yrj为第 r r r个候选区域的第 j j j个输出节点。
这里写图片描述
∂ L ∂ x i = Σ r , j δ ( i , r , j ) ∂ L ∂ y r j \frac{\partial L}{\partial x_i}=\Sigma_{r,j}\delta(i,r,j)\frac{\partial L}{\partial y_{rj}} xiL=Σr,jδ(i,r,j)yrjL

判决函数 δ ( i , r , j ) \delta(i,r,j) 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 x i x_i 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

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。
这里写图片描述
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)。
这里写图片描述
cls_score层用于分类,输出K+1维数组 p p 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 t 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 u u对应的概率决定:
L c l s = − log ⁡ p u L_{cls}=-\log p_u Lcls=logpu

loss_bbox评估检测框定位代价。比较真实分类对应的预测参数 t u t^u tu和真实平移缩放参数为 v v v的差别:
L l o c = Σ i = 1 4 g ( t i u − v i ) L_{loc}=\Sigma_{i=1}^4 g(t^u_i-v_i) Lloc=Σi=14g(tiuvi)
g为Smooth L1误差,对outlier不敏感:
g ( x ) = { 0.5 x 2 ∣ x ∣ < 1 ∣ x ∣ − 0.5 o t h e r w i s e g(x)=\begin{cases} 0.5x^2& |x|<1\\|x|-0.5&otherwise \end{cases} g(x)={0.5x2x0.5x<1otherwise

总代价为两者加权和,如果分类为背景则不考虑定位代价:
L = { L c l s + λ L l o c u 为 前 景 L c l s u 为 背 景 L=\begin{cases} L_{cls}+\lambda L_{loc}& u为前景\\ L_{cls} &u为背景\end{cases} L={Lcls+λLlocLclsuu

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

全连接层提速

分类和位置调整都是通过全连接层(fc)实现的,设前一级数据为 x x x后一级为 y y y,全连接层参数为 W W W,尺寸 u × v u\times v u×v。一次前向传播(forward)即为:
y = W x y=Wx y=Wx
计算复杂度为 u × v u\times v u×v

W W W进行SVD分解,并用前t个特征值近似:
W = U Σ V T ≈ U ( : , 1 : t ) ⋅ Σ ( 1 : t , 1 : t ) ⋅ V ( : , 1 : t ) T W=U\Sigma V^T\approx U(:,1:t) \cdot \Sigma(1:t,1:t) \cdot V(:,1:t)^T W=UΣVTU(:,1:t)Σ(1:t,1:t)V(:,1:t)T

原来的前向传播分解成两步:
y = W x = U ⋅ ( Σ ⋅ V T ) ⋅ x = U ⋅ z y=Wx = U\cdot (\Sigma \cdot V^T) \cdot x = U \cdot z y=Wx=U(ΣVT)x=Uz
计算复杂度变为 u × t + v × t u\times t+v \times t u×t+v×t
在实现时,相当于把一个全连接层拆分成两个,中间以一个低维数据相连。
这里写图片描述

在github的源码中,这部分似乎没有实现。

实验与结论

实验过程不再详述,只记录结论

  • 网络末端同步训练的分类和位置调整,提升准确度
  • 使用多尺度的图像金字塔,性能几乎没有提高
  • 倍增训练数据,能够有2%-3%的准确度提升
  • 网络直接输出各类概率(softmax),比SVM分类器性能略好
  • 更多候选窗不能提升性能

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,可以参看这篇博客
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

©️2021 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值