系列博客链接：

（一）目标检测概述 https://www.cnblogs.com/kongweisi/p/10894415.html

（二）目标检测算法之R-CNN https://www.cnblogs.com/kongweisi/p/10895055.html

（三）目标检测算法之SPPNet https://www.cnblogs.com/kongweisi/p/10899771.html

 

本文概述：

1、Fast R-CNN

　　1.1 RoI pooling

　　1.2 End-to-End model

2、多任务损失-Multi-task loss

3、R-CNN、SPPNet、Fast R-CNN效果对比

4、Fast R-CNN总结

 

引言：

SPPNet的性能已经得到很大的改善，但是由于网络之间不统一训练，造成很大的麻烦，所以接下来的Fast R-CNN就是为了解决这样的问题。

1、Fast R-CNN

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。

（四）目标检测算法之Fast R-CNN

 

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）

    • 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)
    • 另一个是bounding box regressor(边框回归)

1.1 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。

（四）目标检测算法之Fast R-CNN

  • 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。

它要求 Pooling 后的特征为 7 x 7 x512（即要求输入到 FC 层的特征维度是7 x 7），如果碰巧 ROI 区域只有 6 x 6 大小怎么办？每个网格的大小取 6/7=0.85 , 6/7=0.85，以长宽为例，

按照这样的间隔取网格：[0, 0.85, 1.7, 2.55, 3.4, 4.25, 5.1, 5.95]，取整后，每个网格对应的起始坐标为：[0, 1, 2, 3, 4, 5, 6]

 

 下面是一整套RoI pooling流程图：

  • 首先经过卷积层得到的特征图：

（四）目标检测算法之Fast R-CNN

  • 得到候选区：

（四）目标检测算法之Fast R-CNN

 因为每个候选区大小不固定，需要提取一个固定长度的特征向量：

  • 这里是用4 x 4的RoI池层（相当于之前说的SPP层的一部分）：

（四）目标检测算法之Fast R-CNN

  •  最后进行池化：

（四）目标检测算法之Fast R-CNN

为什么要设计单个尺度呢？这要涉及到single scale与multi scale两者的优缺点

 

  • single scale，直接将image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。

 

 

1.2 End-to-End model ( 端对端模型 )

从输入端到输出端直接用一个神经网络相连，整体优化目标函数。

接着我们来看为什么后面的整个网络能进行统一训练？

特征提取CNN的训练和SVM分类器的训练在时间上是先后顺序，两者的训练方式独立，因此SVMs的训练Loss无法更新SPP-Layer之前的卷积层参数，去掉了SVM分类这一过程，所有特征都存储在内存中，不占用硬盘空间，形成了End-to-End模型（生成Region proposal除外，end-to-end在Faster-RCNN中得以完善）

  • 使用了softmax分类
  • RoI pooling能进行反向传播，SPP层不适合（这里的原因本人也不是很清楚，可以百度感受野相关的知识进一步了解）

 

2、 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

 

 

3、R-CNN、SPPNet、Fast R-CNN效果对比

参数 R-CNN SPPNet Fast R-CNN
训练时间(h) 84 25 9.5
测试时间/图片 47.0s 2.3s 0.32s
mAP 66.0 63.1 66.9

 

 

 

 

 

 

 

 

 

其中有一项指标为mAP，这是一个对算法评估准确率的指标，mAP衡量的是学出的模型在所有类别上的好坏。

 

4、Fast R-CNN总结

（四）目标检测算法之Fast R-CNN

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（下一节Faster R-CNN会改善）