废话不多说，上车吧，少年
paper链接：Fast R-CNN
**
-
规避R-CNN中冗余的特征提取操作，只对整张图像全区域进行一次特征提取；
-
用RoI pooling层取代最后一层max pooling层，同时引入建议框信息，提取相应建议框特征；
-
Fast R-CNN网络末尾采用并行的不同的全连接层，可同时输出分类结果和窗口回归结果，实现了end-to-end的多任务训练【建议框提取除外】，也不需要额外的特征存储空间【R-CNN中这部分特征是供SVM和Bounding-box regression进行训练的】；
-
采用SVD对Fast R-CNN网络末尾并行的全连接层进行分解，减少计算复杂度，加快检测速度。
打个广告：目前博主正在字节跳动奋斗，欢迎各位一起来共事
【内推码】：HVWUV6Y
【投递地址】：https://job.bytedance.com/
**
-
R-CNN网络训练、测试速度都很慢：R-CNN网络中，一张图经由selective search算法提取约2k个建议框【这2k个建议框大量重叠】，而所有建议框变形后都要输入AlexNet CNN网络提取特征【即约2k次特征提取】，会出现上述重叠区域多次重复提取特征，提取特征操作冗余；
-
R-CNN网络训练、测试繁琐：R-CNN网络训练过程分为ILSVRC 2012样本下有监督预训练、PASCAL VOC 2007该特定样本下的微调、20类即20个SVM分类器训练、20类即20个Bounding-box 回归器训练，该训练流程繁琐复杂；同理测试过程也包括提取建议框、提取CNN特征、SVM分类和Bounding-box 回归等步骤，过于繁琐；
-
R-CNN网络训练需要大量存储空间：20类即20个SVM分类器和20类即20个Bounding-box 回归器在训练过程中需要大量特征作为训练样本，这部分从CNN提取的特征会占用大量存储空间；
-
R-CNN网络需要对建议框进行形变操作后【形变为227×227 size】再输入CNN网络提取特征，其实像AlexNet CNN等网络在提取特征过程中对图像的大小并无要求，只是在提取完特征进行全连接操作的时候才需要固定特征尺寸【R-CNN中将输入图像形变为227×227可正好满足AlexNet CNN网络最后的特征尺寸要求】，然后才使用SVM分类器分类，R-CNN需要进行形变操作的问题在Fast R-CNN已经不存在，具体见下。
**
<font face="微软雅黑"color=#0077ff size=4>。测试过程
Fast R-CNN的网络结构如下图所示。
-
任意size图片输入CNN网络，经过若干卷积层与池化层，得到特征图；
-
在任意size图片上采用selective search算法提取约2k个建议框；
-
根据原图中建议框到特征图映射关系，在特征图中找到每个建议框对应的特征框【深度和特征图一致】，并在RoI池化层中将每个特征框池化到H×W【VGG-16网络是7×7】的size；
-
固定H×W【VGG-16网络是7×7】大小的特征框经过全连接层得到固定大小的特征向量；
-
第4步所得特征向量经由各自的全连接层【由SVD分解实现】，分别得到两个输出向量：一个是softmax的分类得分，一个是Bounding-box窗口回归；
-
利用窗口得分分别对每一类物体进行非极大值抑制剔除重叠建议框，最终得到每个类别中回归修正后的得分最高的窗口。
<font face="微软雅黑"color=#0077ff size=4>。解释分析
-
<font face="微软雅黑"color=#ff0000 size=3>整个测试过程为什么可以只进行一次CNN特征提取操作？
先看R-CNN网络，它首先采用selective search算法提取约2k个建议框，并对所有建议框都进行了CNN特征提取操作，会出现重叠区域多次重复提取特征，这些操作非常耗时、耗空间。事实上我们并不需要对每个建议框都进行CNN特征提取操作，只需要对原始的整张图片进行1次CNN特征提取操作即可，因为selective search算法提取的建议框属于整张图片，因此对整张图片提取出特征图后，再找出相应建议框在特征图中对应的区域，这样就可以避免冗余的特征提取操作，节省大量时间。 -
<font face="微软雅黑"color=#ff0000 size=3>为什么要将每个建议框对应的特征框池化到H×W 的size？如何实现？
问题4中已经指出像AlexNet CNN等网络在提取特征过程中对图像的大小并无要求，只是在提取完特征进行全连接操作的时候才需要固定特征尺寸，利用这一点，Fast R-CNN可输入任意size图片，并在全连接操作前加入RoI池化层，将建议框对应特征图中的特征框池化到H×W 的size，以便满足后续操作对size的要求；
具体如何实现呢?
首先假设建议框对应特征图中的特征框大小为h×w，将其划分H×W个子窗口，每个子窗口大小为h/H×w/W，然后对每个子窗口采用max pooling下采样操作，每个子窗口只取一个最大值，则特征框最终池化为H×W的size【特征框各深度同理】，这将各个大小不一的特征框转化为大小统一的数据输入下一层。
- <font face="微软雅黑"color=#ff0000 size=3>为什么要采用SVD分解实现Fast R-CNN网络中最后的全连接层？具体如何实现？
图像分类任务中，用于卷积层计算的时间比用于全连接层计算的时间多，而在目标检测任务中，selective search算法提取的建议框比较多【约2k】，几乎有一半的前向计算时间被花费于全连接层，就Fast R-CNN而言，RoI池化层后的全连接层需要进行约2k次【每个建议框都要计算】，因此在Fast R-CNN中可以采用SVD分解加速全连接层计算；
具体如何实现呢?
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
=
W
x
y=Wx
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 ∑ V T ≈ U ( u , 1 : t ) ⋅ ∑ ( 1 : t , 1 : t ) ⋅ V ( v , 1 : t ) T W=U\sum V^T\approx U(u,1:t)\cdot \sum(1:t,1:t)\cdot V(v,1:t)^T 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 = W x = U ⋅ ( ∑ ⋅ V T ) ⋅ x = U ⋅ z y=Wx=U\cdot(\sum\cdot V^T)\cdot x=U\cdot z y=Wx=U⋅(∑⋅VT)⋅x=U⋅z
计算复杂度为u×t+v×t，若 t < m i n ( u , v ) t<min(u,v) 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。
- <font face="微软雅黑"color=#ff0000 size=3>文中仅采用selective search算法提取约2k个候选区域，那候选区域越多越好吗？
文中利用selective search算法提取1k~10k中10种数目【1k，2k…】的候选区域进行训练测试，发现随着候选区域个数的增加，mAP成先增加后缓慢下滑的趋势，这表明更多的候选区域会有损精度；与此同时，作者也做了召回率【所谓召回率即候选区域为真的窗口与Ground Truth的比值【IoU大于阈值即为真】】分析实验，发现随着候选区域个数的增加，召回率并没有和mAP成很好的相关性，而是一直不断增加，也就是说更高的召回率并不意味着更高的mAP；
文中也以selective search算法提取的2k个候选区域为基础，每次增加1000 × {2, 4, 6, 8, 10, 32, 45}个密集box【滑动窗口方法】进行训练测试，发现mAP比只有selective search方法的2k候选区域下降幅度更大，最终达到53%。
- <font face="微软雅黑"color=#ff0000 size=3>如何处理尺度不变性问题？即如何使24×24和1080×720的车辆同时在一个训练好的网络中都能正确识别？
文中提及两种方式处理：brute-force（单一尺度）和image pyramids（多尺度）。单一尺度直接在训练和测试阶段将image定死为某种scale，直接输入网络训练就好，然后期望网络自己能够学习到scale-invariance的表达；多尺度在训练阶段随机从图像金字塔【缩放图片的scale得到，相当于扩充数据集】中采样训练，测试阶段将图像缩放为金字塔中最为相似的尺寸进行测试；
可以看出，多尺度应该比单一尺度效果好。作者在5.2节对单一尺度和多尺度分别进行了实验，不管哪种方式下都定义图像短边像素为s，单一尺度下s=600【维持长宽比进行缩放】，长边限制为1000像素；多尺度s={480,576,688,864,1200}【维持长宽比进行缩放】，长边限制为2000像素，生成图像金字塔进行训练测试；实验结果表明AlexNet【S for small】、VGG_CNN_M_1024【M for medium】下单一尺度比多尺度mAP差1.2%~1.5%，但测试时间上却快不少，VGG-16【L for large】下仅单一尺度就达到了66.9%的mAP【由于GPU显存限制多尺度无法实现】，该实验证明了深度神经网络善于直接学习尺度不变形，对目标的scale不敏感。
6. <font face="微软雅黑"color=#ff0000 size=3>为什么不沿用R-CNN中的形式继续采用SVM进行分类？
为什么R-CNN中采用SVM分类而不直接用CNN网络输出端进行分类已经在R-CNN博客中说明，针对Fast R-CNN，文中分别进行实验并对比了采用SVM和采用softmax的mAP结果，不管AlexNet【S for small】、VGG_CNN_M_1024【M for medium】、VGG-16【L for large】中任意网络，采用softmax的mAP都比采用SVM的mAP高0.1%~0.8%，这是由于softmax在分类过程中引入了类间竞争，分类效果更好；
Fast R-CNN去掉了SVM这一步，所有的特征都暂存在显存中，就不需要额外的磁盘空间。
<font face="微软雅黑"color=#0077ff size=4>。训练过程
-
<font face="微软雅黑"color=#000000 size=3>有监督预训练
样本 来源 正样本 ILSVRC 20XX 负样本 ILSVRC 20XX
ILSVRC 20XX样本只有类别标签，有1000种物体； 文中采用AlexNet【S for small】、VGG_CNN_M_1024【M for medium】、VGG-16【L for large】这三种网络分别进行训练测试，下面仅以VGG-16举例。 -
<font face="微软雅黑"color=#000000 size=3>特定样本下的微调
样本 比例 来源 正样本 25% 与某类Ground Truth相交IoU∈[0.5,1]的候选框 负样本 75% 与20类Ground Truth相交IoU中最大值∈[0.1,0.5）的候选框
PASCAL VOC数据集中既有物体类别标签，也有物体位置标签，有20种物体； 正样本仅表示前景，负样本仅表示背景； 回归操作仅针对正样本进行； 该阶段训练集扩充方式：50%概率水平翻转；微调前，需要对有监督预训练后的模型进行3步转化：
①RoI池化层取代有监督预训练后的VGG-16网络最后一层池化层；
②两个并行层取代上述VGG-16网络的最后一层全连接层和softmax层，并行层之一是新全连接层1+原softmax层1000个分类输出修改为21个分类输出【20种类+背景】，并行层之二是新全连接层2+候选区域窗口回归层，如下图所示；
③上述网络由原来单输入：一系列图像修改为双输入：一系列图像和这些图像中的一系列候选区域；
<font color=#ff0000>SGD超参数选择</font>：
除了修改增加的层，原有的层参数已经通过预训练方式初始化；
用于分类的全连接层以均值为0、标准差为0.01的高斯分布初始化，用于回归的全连接层以均值为0、标准差为0.001的高斯分布初始化，偏置都初始化为0；
针对PASCAL VOC 2007和2012训练集，前30k次迭代全局学习率为0.001，每层权重学习率为1倍，偏置学习率为2倍，后10k次迭代全局学习率更新为0.0001；
动量设置为0.9，权重衰减设置为0.0005。
<font face="微软雅黑"color=#0077ff size=4>。解释分析
- <font face="微软雅黑"color=#ff0000 size=3>Fast R-CNN如何采样进行SGD训练，和R-CNN、SPPnet中SGD采样方式有什么区别和优势？
R-CNN和SPPnet中采用RoI-centric sampling：从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；
Fast R-CNN中采用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；
image-centric sampling方式采样的候选区域来自于同一图像，相互之间存在相关性，可能会减慢训练收敛的速度，但是作者在实际实验中并没有出现这样的担忧，反而使用N=2，R=128的RoI-centric sampling方式比R-CNN收敛更快。
这里解释一下为什么SPPnet不能更新spatial pyramid pooling层前面的卷积层，而只能更新后面的全连接层？
博主没有看过SPPnet的论文，有网友解释说卷积特征是线下计算的，从而无法在微调阶段反向传播误差；另一种解释是，反向传播需要计算每一个RoI感受野的卷积层梯度，通常所有RoI会覆盖整个图像，如果用RoI-centric sampling方式会由于计算too much整幅图像梯度而变得又慢又耗内存。
-
<font face="微软雅黑"color=#ff0000 size=3>训练数据越多效果越好吗？
实验 训练集 测试集 mAP 实验1 VOC 2007训练集 VOC 2007测试集 66.9% 实验1 VOC 2007+VOC 2012训练集 VOC 2007测试集 70.0% 实验2 VOC 2012训练集 VOC 2010测试集 66.1% 实验2 VOC 2007+VOC 2012训练集+VOC2007测试集 VOC 2010测试集 68.8% 实验3 VOC 2012训练集 VOC 2012测试集 65.7% 实验3 VOC 2007+VOC 2012训练集+VOC2007测试集 VOC 2012测试集 68.4%
文中分别在VOC 2007、VOC 2010、VOC 2012测试集上测试，发现训练数据越多，效果确实更好。这里微调时采用100k次迭代，每40k次迭代学习率都缩小10倍。 -
<font face="微软雅黑"color=#ff0000 size=3>哪些层参数需要被微调？
SPPnet论文中采用ZFnet【AlexNet的改进版】这样的小网络，其在微调阶段仅对全连接层进行微调，就足以保证较高的精度，作者文中采用VGG-16【L for large】网路，若仅仅只对全连接层进行微调，mAP会从66.9%降低到61.4%， 所以文中也需要对RoI池化层之前的卷积层进行微调；
那么问题来了？向前微调多少层呢？所有的卷积层都需要微调吗？
作者经过实验发现仅需要对conv3_1及以后卷积层【即9-13号卷积层】进行微调，才使得mAP、训练速度、训练时GPU占用显存三个量得以权衡；
作者说明所有AlexNet【S for small】、VGG_CNN_M_1024【M for medium】的实验结果都是从conv2往后微调，所有VGG-16【L for large】的实验结果都是从conv3_1往后微调。
- <font face="微软雅黑"color=#ff0000 size=3>Fast R-CNN如何进行多任务训练？多任务训练有效果吗？
Fast R-CNN网络分类损失和回归损失如下图所示【仅针对一个RoI即一类物体说明】，黄色框表示训练数据，绿色框表示输入目标：
-cls_score层用于分类，输出K+1维数组p，表示属于K类物体和背景的概率；
-bbox_predict层用于调整候选区域位置，输出4*K维数组，也就是说对于每个类别都会训练一个单独的回归器；
-loss_cls层评估分类代价，由真实分类u对应的概率决定：
L
c
l
s
(
p
,
u
)
=
−
l
o
g
p
u
L_{cls}(p,u)=-logp_u
Lcls(p,u)=−logpu
-loss_bbox评估回归损失代价，比较真实分类u对应的预测平移缩放参数$tu=(tu_x,tu_y,tu_w，t^u_h) \ 和 真 实 平 移 缩 放 参 数 和真实平移缩放参数 和真实平移缩放参数v=(v_x,v_y,v_w,v_h)\ \ 的 差 距 ： 的差距： 的差距： L l o c ( t u , v ) = ∑ i ∈ { x , y , w , h } s m o o t h L 1 ( t i u − v i ) L_{loc}(t^u,v)=\sum_{i\in\{x,y,w,h\}}smooth_{L_1}(t_i^u-v_i) Lloc(tu,v)=∑i∈{x,y,w,h}smoothL1(tiu−vi)$ s m o o t h L 1 ( x ) = { 0.5 x 2 , ∣ x ∣ < 1 ∣ x ∣ − 0.5 , otherwise smooth_{L_1}(x)=\begin{cases} 0.5x^2, & \text{ $|x|<1$ } \\ |x|-0.5, & \text{otherwise} \end{cases} smoothL1(x)={0.5x2,∣x∣−0.5, ∣x∣<1 otherwise
smooth L1损失函数曲线如下图所示，相比于L2损失函数，其对离群点、异常值不敏感，可控制梯度的量级使训练时不容易跑飞；
结合分类损失和回归损失，Fast R-CNN微调阶段总的损失函数为： L ( p , u , t u , v ) = L c l s ( p , u ) + λ [ u ≥ 1 ] L l o c ( t u , v ) L(p,u,t^u,v)=L_{cls}(p,u)+\lambda[u\ge1]L_{loc}(t^u,v) L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v) [ u ≥ 1 ] = { 1 , u > 1 0 , otherwise [u\ge1]=\begin{cases} 1, & \text{$u>1$ } \\ 0, & \text{otherwise} \end{cases} [u≥1]={1,0,u>1 otherwise
约定u=0为背景分类，那么$[u\ge1] \ \ $函数表示背景候选区域即负样本不参与回归损失，不需要对候选区域进行回归操作；
λ
\lambda
λ 控制分类损失和回归损失的平衡，文中所有实验
λ
=
1
\lambda=1
λ=1；
那多任务训练有效果吗？
首先不看多任务训练效果，至少比起R-CNN其训练方便、简洁。多任务训练考虑各任务间共享卷积层的相互影响，是有潜在可能提高检测效果的；
文中通过实验发现AlexNet【S for small】、VGG_CNN_M_1024【M for medium】、VGG-16【L for large】三种网络采用多任务训练比不采用mAP提高了0.8%~1.1%【测试时不采用Bounding-box regression】。
5. <font face="微软雅黑"color=#ff0000 size=3>RoI池化层如何进行反向求导训练？
首先看普通max pooling层如何求导，设
x
i
x_i
xi为输入层节点，
y
i
y_i
yi为输出层节点，那么损失函数L对输入层节点
x
i
x_i
xi的梯度为：
∂
L
∂
x
i
=
{
0
,
δ
(
i
,
j
)
=
f
a
l
s
e
∂
L
∂
y
j
,
δ
(
i
,
j
)
=
t
r
u
e
\frac{\partial L}{\partial x_i}=\begin{cases} 0, & \text{$\delta(i,j)=false$ } \\ \frac{\partial L}{\partial y_j}, & \text{$\delta(i,j)=true$} \end{cases}
∂xi∂L={0,∂yj∂L,δ(i,j)=false δ(i,j)=true
其中判决函数$\delta(i,j)\quad KaTeX parse error: Expected 'EOF', got '#' at position 41: …选中【<font color=#̲00bbff>\delta(i,j)=false \quad < / f o n t > 】 有 两 种 可 能 ： </font>】有两种可能： </font>】有两种可能：x_i 不 在 不在 不在y_i 范 围 内 ， 或 者 范围内，或者 范围内，或者x_iKaTeX parse error: Expected 'EOF', got '#' at position 23: …选中【<font color=#̲00bbff>\delta(i,j)=true \quad $ 】则由链式规则可知损失函数L相对 x i x_i xi的梯度等于损失函数L相对 y i y_i yi的梯度×（ y i y_i yi对 x i x_i xi的梯度->恒等于1），故可得上述所示公式；
对于RoI max pooling层，设 x i x_i xi为输入层的节点， y r i y_{ri} yri 为第r个候选区域的第j个输出节点，一个输入节点可能和多个输出节点相关连，如下图所示，输入节点7和两个候选区域输出节点相关连；
该输入节点7的反向传播如下图所示。对于不同候选区域，节点7都存在梯度，所以反向传播中损失函数L对输入层节点 x i x_i xi的梯度为损失函数L对各个有可能的候选区域r【 x i x_i xi被候选区域r的第j个输出节点选为最大值 】输出 y r i y_{ri} yri梯度的累加，具体如下公式所示：
∂
L
∂
x
i
=
∑
r
∑
j
[
i
=
i
∗
(
r
,
j
)
]
∂
L
∂
y
r
j
\frac{\partial L}{\partial x_i}=\sum_r\sum_j[i=i^*(r,j)]\frac{\partial L}{\partial y_{rj}}
∂xi∂L=r∑j∑[i=i∗(r,j)]∂yrj∂L
[
i
=
i
∗
(
r
,
j
)
]
=
{
1
,
i
=
i
∗
(
r
,
j
)
≥
1
0
,
otherwise
[i=i^*(r,j)]=\begin{cases} 1, & \text{$i=i^*(r,j)\ge1$ } \\ 0, & \text{otherwise} \end{cases}
[i=i∗(r,j)]={1,0,i=i∗(r,j)≥1 otherwise
判决函数 [ i = i ∗ ( r , j ) ] [i=i^*(r,j)]\quad [i=i∗(r,j)]表示i节点是否被候选区域r的第j个输出节点选为最大值输出，若是，则由链式规则可知损失函数L相对 x i x_i xi的梯度等于损失函数L相对 y r j y_{rj} yrj的梯度×（ y r j y_{rj} yrj对 x i {x_i} xi的梯度->恒等于1)，上图已然解释该输入节点可能会和不同的 y r j y_{rj} yrj有关系，故损失函数L相对 x i x_i xi的梯度为求和形式。
**
-
PASCAL VOC 2007训练集上，使用VGG-16【L for large】网络Fast R-CNN训练时间为9.5h，同等条件下R-CNN需要84h，快8.8倍；
-
PASCAL VOC 2007测试集上，使用VGG-16【L for large】网络不采用SVD Fast R-CNN测试时间为0.32s/image【不包括候选区域提取时间】，同等条件下R-CNN需要47.0s/image，快146倍；采用SVD测试时间为0.22s/image【不包括候选区域提取时间】，快213倍；
-
PASCAL VOC 2007测试集上，使用VGG-16【L for large】网络不采用SVD Fast R-CNN mAP为66.9%，同等条件下R-CNN mAP为66.0%；Fast R-CNN采用SVD mAP为66.6%。
**
- Fast R-CNN中采用selective search算法提取候选区域，而目标检测大多数时间都消耗在这里【selective search算法候选区域提取需要2~3s，而提特征分类只需要0.32s】，这无法满足实时应用需求，而且Fast R-CNN并没有实现真正意义上的端到端训练模式【候选区域是使用selective search算法先提取出来的】；
那有没有可能使用CNN直接产生候选区域并对其分类呢？Faster R-CNN框架就是符合这样需求的目标检测框架，请看Faster R-CNN博客。
扫一扫
1609
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
