目标检测(三)——Fast R-CNN

简介

Fast R-CNN借鉴了 SPPNet 的 spatial pyramid pooling layer ，并简化为只有一个固定范围的 RoI pooling layer。并进一步升级，将网络之间统一训练（分类+边框回归），不仅大大提高了训练与测试的速度，而且小幅地提高了mAP。

---

原理

改进的地方：

• 提出一个RoI pooling(region of interest即候选区)，然后整合整个模型，把CNN、SPP变换层、分类器、bbox回归几个模块一起训练。

步骤

• 首先将整个图片输入到一个基础卷积网络，得到整张图的feature map
• 将region proposal（RoI）映射到feature map中
• RoI pooling layer提取一个固定长度的特征向量，每个特征会输入到一系列全连接层，得到一个RoI特征向量（此步骤是对每一个候选区域都会进行同样的操作）

1. 其中一个是传统softmax层进行分类，输出类别有K个类别加上”背景”类(最终得到是N+1类)
2. 另一个是bounding box regressor(边框回归)

RoI pooling

首先RoI pooling只是一个简单版本的SPP层，目的是为了减少计算时间并且得出固定长度的向量。

RoI池层使用最大池化将任何有效的RoI区域内的特征转换成具有H×W的固定空间范围的小feature map，其中H和W是超参数 它们独立于任何特定的RoI。

例如：VGG16 的第一个 FC 层的输入是 7 x 7 x 512，其中 512 表示 feature map 的层数。在经过 pooling 操作后，其特征输出维度满足 H x W。

假设输出的结果与FC层要求大小不一致，对原本 max pooling 的单位网格进行调整，使得 pooling 的每个网格大小动态调整为 h/H,w/W,

最终得到的特征维度都是 HxWxD。

single scale 与 multi scale

• single scale，直接将image设定为某种scale，直接输入网络来训练即可。（Fast R-CNN）
• multi scale，也就是要生成一个金字塔，然后对于object，在金字塔上找到一个大小比较接近227x227的投影版本

后者比前者更加准确些，不过没有突出很多。但是第一种时间要省很多，所以实际采用的是第一个策略，因此Fast R-CNN要比SPPNet快很多也是因为这里的原因。

End-to-End model（端到端模型）

从输入端到输出端直接用一个神经网络相连（分类使用Softmax），整体优化目标函数。

• 使用了softmax分类
• RoI pooling能进行反向传播，SPP层不适合（因为SPP有多个尺度）
  
  Rol pooling进行反向传播时，只需更新被池化到的参数。

并且实验验证了使用softmax与SVM在结果上并没有太大的差别。

多任务损失（Multi-task loss）

两个loss，分别是：

• 对于分类loss，是一个N+1维的softmax输出，其中的N是类别个数，1是背景，使用交叉熵损失
  之所以要N+1类，是因为region proposal 会被标记为0，什么都没有，会什么类别都不是，因此最后一层神经元要 N+1 个。
• 对于回归loss，是一个4xN维输出的regressor，也就是说对于每个类别都会训练一个单独的regressor，使用平均绝对误差（MAE）损失即L1损失
  

这里训练的就是边框对应的4个坐标，左上角一对坐标，右下角一对坐标

Fine-tuning for detection

Fast R-CNN能fine-tune卷积层，并且实验验证了这对深层卷积网络（例如VGG16）是重要的，能fine-tune的原因如下：

• 这里Fast R-CNN采用图片中心化采样image-centric sampling：mini-batch采用层次采样，即先对图像采样【N个】，再在采样到的图像中对候选区域采样【每个图像中采样R/N个，一个mini-batch共计R个候选区域样本】，同一图像的候选区域卷积共享计算和内存，降低了运算开销。
• 而R-CNN与SPPNet采用RoI-centric sampling：所有图片的所有候选区域中均匀取样，这样每个SGD的mini-batch中包含了不同图像的样本，不同图像之间不能共享卷积计算和内存，运算开销大。

论文中指出，最开始担心这种方法会减慢训练收敛的速度，但是实际作者在实际实验中并没有出现这样的问题，并且还收敛地更快了。

SVD全连接层加速网络

从上图可以看出全连接层在测试时间中占了很大的一部分比例，所以可以使用SVD分解来加速全连接层。
① 物体分类和窗口回归都是通过全连接层实现的，假设全连接层输入数据为x，输出数据为y，全连接层参数为W，尺寸为u×v，那么该层全连接计算为:

y=Wx(计算复杂度为u×v)

② 若将W进行SVD分解，并用前t个特征值近似代替，即:

W=U∑VT≈U(u,1:t)⋅∑(1:t,1:t)⋅V(v,1:t)T

那么原来的前向传播分解成两步:

y=Wx=U⋅(∑⋅VT)⋅x=U⋅z

计算复杂度为u×t+v×t，若t<min(u,v)，则这种分解会大大减少计算量；

在实现时，相当于把一个全连接层拆分为两个全连接层，第一个全连接层不含偏置，第二个全连接层含偏置；实验表明，SVD分解全连接层能使mAP只下降0.3%的情况下提升30%的速度，同时该方法也不必再执行额外的微调操作。

---

总结

Fast R-CNN与R-CNN和SPPNet对比

一张图概括

缺点

使用Selective Search提取Region Proposals，没有实现真正意义上的端对端，操作也十分耗时（这在之后Faster R-CNN会改善）