RCNN（三）：Fast R-CNN

最新推荐文章于 2024-07-12 11:25:47 发布
置顶 最新推荐文章于 2024-07-12 11:25:47 发布
阅读量1.6k 收藏 2
点赞数 2
分类专栏： 深度学习 RCNN 目标检测 文章标签： svm cnn 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011587569/article/details/52151871
版权

摘要及引言

SPP-NET大幅度提高了RCNN的训练速度，但是仍然一些问题，本文从以下问题出发提出了Fast R-CNN，进一步提高了速度和精度。

  1. SPP-NET和RCNN的训练都是多阶段的过程：首先训练CNN网络用以提取特征，然后训练SVM用作检测器，然后训练bounding-box回归精细化目标具体位置。
  2. 训练耗时且耗费大量空间：对于SVM以及bounding-box回归的回归训练首先需要先将提取到的CNN特征写入磁盘。对于深层的网络，通常需要数百G的空间。
  3. 目标检测在测试阶段极为耗时，VGG16需要47s每张（GPU）。

本文的主要贡献如下：

  • 比R-CNN以及SPPnet 更高的检测质量（mAP较高）。
  • 通过使用多任务loss使得训练是个单阶段过程。
  • 训练可以更新所有的网络层（spp-net仅能更新全连接层）。

  • 特征存储不需要额外的空间。

    网络结构

    Fast R-CNN
    Fast R-CNN输入为一张图像以及诸多的region proposals（RoI）。首先通过CNN提取到整幅图像的feature map 然后对于每一个RoI根据映射提取到自己的feature vector。然后输入到全连接层，输出为两个分支，一个为softmax层输出，输出的是K+1个类别的概率（包含一个背景类）。另一个输出是对于每类生成一个求精后的bounding box。

  • ROI pooling 层
    ROI pooling 是SPP仅使用一个pyramid level 的一种特例，是将任意大小的feature map分割成H*W的栅格，然后对于每个栅格进行max pooling。这样无论feature map的尺寸怎么样，都能够生成固定大小的feature vector。

  • 初始化预训练网络
    对于一个给定的深层神经网络需要经过三个步骤更改成Fast R-CNN结构。首先是将最后一个pooling层更换为ROI pooling，其中的H*W需要按照网络的全连接层的输入要求进行更改（例如VGG16的H=W=7）。然后将网络的全连接层和softmax层替换为两层，一层为全连接层加上softmax层输出K个类的概率。另一层为类别相关的bounding box回归。

  • 多任务loss
    Fast RCNN不仅需要对于region proposal的类别进行预测，还需要根据region生成的bounding box与真实值之间的差距学习到他们直接的映射以便于进行bounding box的精细化回归。因此Fast RCNN的目标函数是个多任务函数，需要综合考虑分类的准确度以及定位的准确度，文中提出的目标函数为：
    LOSS
    其中，这里写图片描述 为softmax 产生的K+1类别的概率。u为真实类别，L（cls）使用的是log loss为分类的目标函数。 λ为调节分类与定位之间的权重，本位设置为1。[u>=1]为indicator function。u<1是为0（背景），反之为1（前景）。因为背景没有bounding box。L（loc）为定位的目标函数。
    这里写图片描述

  • Mini-batch 采样
    SPPnet之所以不能够调节SPP层之前的卷积层的权重，是因为在一个batch中，region proposal是随机来自于各个图片的，每一个region proposal的感受野都很大通常是整个图片，因此如果对之前的所有层都进行bp会很没有效率。本文提出分层采样的思想，每个SGD mini-batch处理N=2张随机图片，然后mini-batch size R=128。从每张图片获取64个ROIS。和之前SPPnet做法一致，这128个ROIS中，25%为正样本（和标记bounding box的IoU重叠大于0.5），75%为负样本（重叠为[0.1,0.5)）。之所以选择负样本需要大于0.1的阈值是因为使用启发式的hard example mining。由于我们在处理的时候，来自于同一幅图片的所有region proposal共享计算和内存。因此速度很快而且不需要额外的内存空间。

  • ROI池化层的反向传播
    每一个region proposal都是从原图的feature map中进行提取特征向量，因此feature map中每一个位置都可能被很多的region使用，也就是一个输入多个输出，文中采用的是综合的方法求总的bp。
    这里写图片描述

  • SGD 超参数
    全连接层以及回归层使用的都是0-mean 高斯分布，偏差为0.01和0.001。相应的，偏置层初始化为0，所有层的权重学习率为1，偏置学习率为2.全局学习率为0.001。momentum为0.9，权重衰减为0.0005。

  • 尺度不变性
    文中使用的方法是图像金字塔：训练时使用多尺度，然后在测试时，对于每一个region proposal 选择一个尺度使得region大小接近于224*224。

  • SVD加速
    由于对于每一个region proposal都需要通过全连接层的计算，耗时较多，文中提出使用SVD（奇异值分解）来加速全连接层的计算，能提高训练速度30%左右，而且精度下降很少。

结论和总结

Fast R-CNN在SPPnet基础上再刷新了目标检测的state-of-art。而且速度也有多倍的提升，同时将多阶段训练统一为一个网络的但阶段训练，可谓是一大突破。但是仍然存在一些问题，region proposal耗时较为严重，而且与现有的网络严重割裂。
这部分将在Faster R-CNN中进行改进。

浅小思
关注
专栏目录
【目标检测】Fast RCNN算法详解
shenxiaolu1984的专栏
04-12 20万+
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。
论文笔记《Fast RCNN》
July's Pensieve
06-25 2963
Fast RCNN是加强版的SPPnet，SPPnet的细节可以参考这里，Fast RCNN相比于RCNN在时间和性能上都做了改进。它避免对一幅图片的多个proposal分别计算CNN特征（大量的重复计算），而是对整幅图提取CNN特征之后，再划分对应proposal，从而加提高了检测效率；同时对RCNN的pipeline方法做了一定整合，提升了检测性能。 1 论文信息发表会议：ICCV2015代码2
Faster R-CNN核心知识讲解
最新发布
柊泓迅的博客
07-12 986
Faster R-CNN，是由 R-CNN，Fast R-CNN，一步一步优化过来的。
RCNN学习笔记(4)：fast rcnn
热门推荐
Focusing on your own Mind :) －> 站在巨人的肩膀上
04-25 3万+
reference link: http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/ http://blog.csdn.net/shenxiaolu1984/article/details/51036677 论文出处见：http://arxiv.org/abs/1504.08083 项目见：https://gith
FAST-RCNN
chenaxin的博客
10-21 1587
  RBG的RCNN使用region proposal（具体用的是Selective Search Koen van de Sande: Segmentation as Selective Search for Object Recognition）来得到有可能得到是object的若干（大概10^3量级）图像局部区域，然后把这些区域分别输入到CNN中，得到区域的feature，再在feature上加上分类器，判断feature对应的区域是属于具体某类object还是背景。当然，RBG还用了区域对应的fea
fast rcnn
gaotihong的博客
09-05 1864
思路： 1.如何构建网络（image和roi输入，roi-pooling， 双输出，图1） 2.如何采样（roi，引rcnn） 3.roi-pooling（sppnet） 4.multi-task loss（仅仅对正样本计算loss）     Abstract This paper proposes a Fast Region-based Convolutional Network ...
R-CNN、SPPNet、Fast Rcnn、Faster R-CNN 原理以及区别
01-06
R-CNN原理：   R-CNN遵循传统目标检测的思路，同样采取提取框，对每个框提取特征，图像分类，非极大值抑制等四个步骤，只不过在提取特征这一步将传统的特征换成了深度卷积网络提取的特征。  对于原始图像， 首先...
一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD.doc
12-23
2. 候选区域/窗 + 深度学习分类，如 R-CNN、Fast R-CNN、Faster R-CNN 等 3. 基于深度学习的回归方法，如 YOLO、SSD、DenseBox 等 三、候选区域/窗 + 深度学习分类 候选区域/窗 + 深度学习分类是目标检测算法的一...
深度学习的目标检测技术演进：R-CNN、FastR-CNN、FasterR-CNN
02-25
本文来自于个人微博，本文介绍基于regionproposal的R-CNN系列目标检测方法是当前目标检测技术领域最主要的一个分支。objectdetection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object...
细讲：RCNN、Fast R-CNN和Faster R-CNN
填坑
02-27 1764
细讲：RCNN、Fast R-CNN和Faster R-CNNR-CNNR-CNN模型结构one-stage ：Region ProposalSelective searchtwo-stage ：Classification and bounding box regressionClassificationbounding box regressionLossFast R-CNNFast R-CNN模型结构RoI featureSVDClassificationbox regressionLossFast
R-CNN和Fast R-CNN组内汇报PPT
03-12
本文档对R-CNN和Fast R-CNN的组内汇报进行了详细的介绍，涵盖了目标检测领域的发展、R-CNN的提出、Selective Search算法、R-CNN算法流程、Fast R-CNN的改进等方面。 随着人工智能和深度学习技术的发展，目标检测...
Fast-RCNN
qq_33228039的博客
08-07 122
拖了很久采写 1.Fast-RCNN总结： 参考论文https://blog.csdn.net/shenxiaolu1984/article/details/51036677 https://www.jianshu.com/p/fbbb21e1e390 参考代码：https://github.com/Liu-Yicheng/Fast-RCNN 1.根据SPP-NET中空间金字塔的原理，采...
Fast RCNN
The Thinker
05-05 192
论文地址：https://arxiv.org/abs/1504.08083 1. 论文背景 2. 论文亮点 3. 论文细节
Fast R-CNN
追随梦想，实现梦想
08-14 216
论文链接：Fast R-CNN 对于R-CNN的复杂度高分析 Complexity arises because detection requires the accurate localization of objects, creating two primary challenges. First, numerous candidate object locations (often c...
RCNN 训练方法详解：Fast R-CNN 和 Faster R-CNN 训练指南
RCNN 训练方法详解 RCNN（Region-based Convolutional Neural ...RCNN 的训练方法可以分为慢速 R-CNN、Fast R-CNN 和 Faster R-CNN 三种。每种方法都有其特点和优缺，选择哪种方法取决于具体的应用场景和需求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
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、付费专栏及课程。

余额充值