cnn 句向量_深度学习目标检测Fast R-CNN论文解读

前言

我们知道，R-CNN存在着以下几个问题：

1. 分步骤进行，过程繁琐。Selective Search生成候选区域region proposal->fine tune预训练网络->针对每个类别都训练一个SVM分类器->用regressors对bounding-box进行回归。
2. 时间和内存消耗比较大。在训练SVM和回归的时候需要用CNN网络训练的特征作为输入，特征保存在磁盘上再读入的时间消耗比较大。
3. 重叠区域特征重复计算。测试时每个region proposal都要做卷积。

馨意：深度学习目标检测R-CNN论文解读​zhuanlan.zhihu.com

SPP-net算法解决了R-CNN中重复卷积的问题，但是R-CNN的其他缺点在SPP-net上依旧存在。

馨意：深度学习目标检测SPP-net论文解读​zhuanlan.zhihu.com

Fast R-CNN是R-CNN作者对RCNN的改进版。Fast R-CNN只进行一次特征提取，并将RCNN的SVMs使用softmax所替代，并将分类目标函数和框预测目标函数合并为多任务目标函数，速度和精度都大大提高。

论文名称：

Fast R-CNN

论文下载：

https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf​www.cv-foundation.org

论文解读：

Fast R-CNN架构，该架构属于端到端的多任务训练。

上图即为Fast R-CNN架构，具体流程为：

1. Fast R-CNN网络将整个图像和所有RoI（也就是R-CNN中所说的proposal）作为输入。
2. 网络首先使用几个卷积层和最大池化层处理整个图像，以生成特征图feature map。
3. 然后在最后一个卷积层上对每个ROI求取映射关系，并用一个RoI pooling layer（也就是一个单层的SPP layer）来统一到相同的大小。
4. 之后经过两个全连接层FCs生成一个固定尺寸的特征向量RoI feature vector。
5. 特征向量RoI feature vector连接两个新的全连接层FC，得到两个输出向量：第一个是分类，使用softmax，第二个是每一类的bounding box回归。

RoI pooling layer

RoI pooling layer是在SPP-net中使用的空间金字塔池化层SPP的特例，SPP有三层，而在RoI pooling layer中金字塔层只有一个。

Pre-trained networks

用了3个预训练的ImageNet网络（CaffeNet/VGG_CNN_M_1024/VGG16）。

预训练的网络初始化Fast R-CNN要经过三次变形：

1. 最后一个max pooling层替换为RoI pooling层。
2. 最后一个全连接层和softmax（原本是1000个类）替换为softmax的对K+1个类别的分类层，和bounding box 回归层。
3. 输入修改为两种数据： 图像列表和这些图像中的RoI列表。

Fine-tuning

我们知道，SPPnet只能微调SPP层后面的全连接层，所以SPPnet就可以采用随机梯度下降（SGD）来训练。

SPPnet采用的RoI-centric sampling：从所有图片的所有RoI中均匀取样，这样每个SGD的mini-batch中包含了不同图像中的样本。

反向传播需要计算每一个RoI感受野的卷积层，通常会覆盖整个图像，如果一个一个用RoI-centric sampling的话就又慢又耗内存。

Fast R-CNN采用的image-centric sampling：mini-batch采用层次取样，先对图像取样，再对RoI取样，同一图像的RoI共享计算和内存。 另外，Fast R-CNN在一次微调中联合优化softmax分类器和bbox回归。

看似一步，实际包含了：多任务损失（multi-task loss）、小批量取样（mini-batch sampling）、RoI pooling层的反向传播（backpropagation through RoI pooling layers）、SGD超参数（SGD hyperparameters）。

Multi-task loss

两个输出层，一个对每个RoI输出离散概率分布：

一个输出bounding box回归的位移：

k表示类别的索引，前两个参数是指相对于object proposal尺度不变的平移，后两个参数是指对数空间中相对于object proposal的高与宽。把这两个输出的损失写到一起：

k*是真实类别，式中第一项是分类损失，第二项是定位损失，L由R个输出取均值而来。

Mini-batch sampling

在微调时，每个SGD的mini-batch是随机找两个图片，R为128，因此每个图上取样64个RoI。从object proposal中选25%的RoI，就是和ground-truth交叠至少为0.5的。剩下的作为背景。

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－> 每一个mini-batch中首先加入2张完整图片，而后加入从2张图片中选取的128个候选框。这128个候选框可以复用2张图片前5个阶段的网络特征。

总结

• 最后一层的softmax换成两个：一个是对区域的分类，另一个是对Bounding box的微调。
• 训练时所有特征不在存到硬盘中，提升了速度。
• 添加ROI pooling层，实现了不同大小区域特征图的pooling。

参考

https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf​www.cv-foundation.org 人工智能_目标检测_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili​www.bilibili.com

Fast RCNN算法详解_网络_AI之路-CSDN博客​blog.csdn.net

RCNN学习笔记(4)：fast rcnn​blog.csdn.net