目标检测算法Fast R-CNN

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。

步骤

1. 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
2. 将region proposal（RoI）映射到feature map中
3. 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)

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。

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：

得到候选区：

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）：

最后进行池化：


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）

1. 使用了softmax分类
2. 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

3. R-CNN、SPPNet、Fast R-CNN效果对比

4. Fast R-CNN总结

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）

参考：
https://www.cnblogs.com/kongweisi/p/10900021.html