经典网络解读系列（二）：fast rcnn

部分博客内容引用：

https://alvinzhu.xyz/2017/10/10/fast-r-cnn/

https://blog.csdn.net/shenxiaolu1984/article/details/51036677

 

 

首先讲一下前作rcnn的缺点，有关rcnn，可以参考博客https://blog.csdn.net/zlrai5895/article/details/80724284。

rcnn缺点有三个：

 

1. 训练过程是多级流水线。分为三个阶段训练：CNN的训练、SVM的训练、检测框回归线性模型的训练。
2. 训练在时间和空间上是的开销很大。对于一张图像，图像和上面大量重叠的候选框都要经过CNN提取特征，并写入磁盘。时间和存储空间成本都很高。
3. 目标检测速度很慢。原因同上。

fast rcnn的改善：

 

1. 比R-CNN具有更高的目标检测精度（mAP）。rcnn在voc2012 map 62%，fast rcnn 在voc2012 map 66%
2. 训练是使用多任务损失的单阶段训练。
3. 训练可以更新所有网络层参数。
4. 不需要磁盘空间缓存特征。

网络结构：

                                                                                                              输入完整图像

                                                                                                                        |

                                                                                                            CNN（VGG等）

                                                                                                                        |

最后一个最大池化层替换为ROI池化层（在特征图上提取候选区域，每个候选区域均匀分成M×N块，对每块进行max pooling。将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层。 ）

                                                                                                                        |

                                                                                                    -------------------------------

                                                                                                    |                                             |

                                                       全连接层 输出k个类别加上1个       全连接层输出
K个类别的每一                                                                                                 背景类别的Softmax概率估计         每组4个值，表示检测框位置的修正检测框位置的修正。

 

 

训练：

首先是预训练

网络除去末尾部分如下图，在ImageNet上训练1000类分类器。结果参数作为相应层的初始化参数。 
 

然后是微调

如上面所说，用ROI替换最后的pool，然后，网络的最后一格全连接层和Softmax（其被训练用于1000类ImageNet分类）被替换为前面描述的两个同级层（全连接层和K+1个类别的Softmax以及类别特定的检测框回归）。

 

微调策略

 

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。

训练数据构成

N张完整图片以50%概率水平翻转。 
R个候选框的构成方式如下：

类别	比例	方式
前景	25%	与某个真值重叠在[0.5,1]的候选框
背景	75%	与真值重叠的最大值在[0.1,0.5)的候选框

训练时候的损失函数：

 

loss_cls层评估分类代价。由真实分类uu对应的概率决定： 

Lcls=−logpu

 

loss_bbox评估检测框定位代价。比较真实分类对应的预测参数tutu和真实平移缩放参数为vv的差别： 

Lloc=Σ4i=1g(tui−vi)

g为Smooth L1误差，对outlier不敏感： 

 

g(x)={0.5x2|x|−0.5|x|<1otherwise

总代价为两者加权和，如果分类为背景则不考虑定位代价： 

L={Lcls+λLlocLclsu为前景u为背景

计算全连接层的加速策略：

 

分类和位置调整都是通过全连接层(fc)实现的，设前一级数据为xx后一级为yy，全连接层参数为WW，尺寸u×vu×v。一次前向传播(forward)即为： 

y=Wx

计算复杂度为u×v。

 

将WW进行SVD分解，并用前t个特征值近似： 

W=UΣVT≈U(:,1:t)⋅Σ(1:t,1:t)⋅V(:,1:t)T

 

原来的前向传播分解成两步： 

y=Wx=U⋅(Σ⋅VT)⋅x=U⋅z

计算复杂度变为u×t+v×t。 
在实现时，相当于把一个全连接层拆分成两个，中间以一个低维数据相连。