Fast R-CNN笔记

作者：Ross Girshick

ICCV 2015

概要

         FastRCNN是RCNN和SPPnet的改进版。Fast RCNN在训练的时候比RCNN快9倍，比SPPnet快3倍；测试的时候比RCNN快213倍，比SPPnet快10倍。最后在PASCAL VOC 2012上达到66%的mAP。

RCNN与SPPnet存在的缺点

1.      训练是多阶段的。先提proposal，然后CNN提取特征，之后用SVM分类器，最后再做bounding-box regression。

2.      训练非常耗费时间和空间（存储）。在训练SVM和bbox regression的时候，需要先将之前提取出来的特征写入磁盘中，这些特征需要花费的空间很大；这个过程也非常耗费时间。

3.      物体检测非常慢。测试的时候，特征需要从每个图片中的每个proposal提取，使用VGG16网络大概每张图片耗费47s（在一个GPU上）。

 

Fast RCNN的优点

1.      比RCNN，SPPnet有更高的准确率（mAP）。

2.      训练是单阶段的，使用多任务的loss。

3.      训练可以更新所有的网络层（SPPnet只能更新fc层）。

4.      特征缓存的时候不需要硬盘存储。

 

Fast RCNN结构与训练

第一步，将这个完整的图片经过若干卷积层与max pooling层，得到一个feature map。

第二步，用selective search算法从这完整的图片中提取出object proposals，即RoI。

第三步，根据映射关系，可以得到每个object proposal对应的feature map。

第四步，将第三步得到的feature map经过RoI pooling layer得到固定大小的feature map（变小了）。

第五步，经过2层全连接层（fc），得到固定大小的RoI特征向量。

第六步，特征向量经由各自的FC层，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。

 

简要流程图如下：

说明：在训练的时候，分类与回归是一起训练的，总的loss是分类的loss加上回归的loss。计算公式如下：

在本文中λ取1，详细情况可以查看论文。

 

关于RoI pooling layer

 

        这是SPP pooling层的一个简化版，只有一级“金字塔”，输入是N个特征映射和一组R个RoI，R>>N。N个特征映射来自于最后一个卷积层，每个特征映射都是Hx W x C的大小。每个RoI是一个元组(n, r, c, h, w)，n是特征映射的索引，n∈{0, ... ,N-1}，(r, c)是RoI左上角的坐标，(h, w)是高与宽。输出是max-pool过的特征映射，H' x W' x C的大小，H'≤H，W'≤W。对于RoI，bin-size = h/H' x w/W'，这样就有H'W'个输出bin，bin的大小是自适应的，取决于RoI的大小。

参考文章:

读DL论文心得之Fast RCNN

论文笔记《Fast R-CNN》

【目标检测】Fast RCNN算法详解