R-CNN网络系列（2）

Fast R-CNN论文简单解读

引言

名称由来：Fast Region-based Convolutional Neural Network (Fast R-CNN)

秀肌肉：Fast R-CNN比R-CNN快9倍，在测试时快213倍，在PASCAL VOC 2012上实现了更高的66%的mAP，比R-CNN高4个点。与SPPnet相比，Fast R-CNN训练VGG16的速度快3倍，测试速度快10倍，并且更准确。单张图片处理仅需0.3秒（不包括生成候选框的时间）

正文

检测本质上是定位+分类。分类问题相对而言，较为简单；复杂的部分在于检测需要准确定位对象，这带来了两个主要挑战。
（1）必须处理大量候选对象位置（通常称为“proposals”）
（2）候选框仅能提供粗略的定位，必须对其进行精修以实现精确定位

这些问题的解决方案通常会影响速度、准确性或简单性。

Fast R-CNN简化了当时效果最好的基于 ConvNet 的目标检测器的训练过程，即提出了一种单阶段训练算法，该算法不仅对候选框分类，同时对候选框进行精修。

R-CNN的缺点

1、训练是多阶段的，比较繁琐。首先把ImageNet上面训练好的模型拿过来在目标检测的数据集上微调一下，其次训练SVM分类器，最后再学习边界框回归器（bounding-box regressors）
2、训练的时候占用空间多，速度慢。SVM分类器和边界框回归器需要的特征需要先存下来，一般会占用数百G的空间。提取特征使用的VGG16在VOC2007数据集上面需要2.5GPU-天
3、推理时间慢。使用VGG16，在GPU上面处理单张图片需要47秒

R-CNN慢就慢在处理候选对象的时候，一次只处理一个，没有共享计算。

SPPnet通过共享计算提高了R-CNN的处理速度

Fast R-CNN的优点

1、mAP高
2、训练是单阶段的，使用了多任务loss
3、SPPnet有部分卷积层不更新，我们可以更新网络里面的所有层
4、提取出来的特征不需要存下来

模型架构

模型输入：整个图像和一组建议对象（object proposals）

整体流程：
1、模型处理整张图片，产生一个特征图
2、把候选的对象（候选框）映射到特征图上面（RoI projection）
3、把候选框那部分对应的特征图提取出一个固定长度的特征向量，也就是一个7x7的特征图（RoI pooling layer）
4、后面接几个全连接层，同时接两个头，一个分类，一个对边界框进行回归

把VGG16调整成Fast R-CNN

先看一下VGG的结构

1、把最后一个池化层改成自适应池化层，输出特征图大小为固定的7x7大小
2、把最后一个全连接和softmax替换成两个子网络，一个分类，一个回归。分类的类别数应该是目标检测数据集的类别数加一（加背景这个类别）
3、把模型的输入改成图片+图片中的感兴趣区域（RoI）。

本人理解，RoI就是候选区域，也是候选框。不一定对，欢迎交流。

论文后面还有一些内容，下一篇文章再写。