基于论文的Fast R-CNN学习

基于论文的Fast R-CNN学习

Fast R-CNN的提出在R-CNN和SPPnet之后，它针对了R-CNN每个proposal都需要通过CNN而导致计算速度慢和SPPnet由于不能更新conv layer而导致的精度低的问题，在速度和精度方面都有一定的提升。

论文链接

方法的主要优点有：

1. 更高的mAP；
2. 使用了multi-task loss，训练更简单；
3. 训练可以更新所有的网络层；
4. 不需要对缓存进行磁盘存储。

1.模型整体框架

1. Regions of interest(RoIs)。通过Selective Search的方法，在原图上生成一系列大小不一，比例不一的Region proposal(建议窗口)；
2. 将RoIs和图片一起作为输入，输送进CNN；
3. 图片通过CNN产生feature map，feature应该了通过padding保持size不变；
4. 将每个RoIs作用在feature map上，并通过RoI最大池化产生固定size的feature vector；
5. RoI feature vector经过两个fc后分别输入softmax进行分类和bbox regressor进行回归计算。

2.模型细节

1. 模型相对于一个预训练的CNN网络做了3点的改变：
   1. 最后一个max pooling层改为RoI max pooling层；
   2. 最后一个fn层改为并行的softmax层和bbox regression层；
   3. 模型的输入从一个图片改为图片加RoIs的列表。
2. 使用一个softmax分类器对K+1个类进行区分（K个物体类，1个背景类）；使用bbox regressors对K个类的边框进行回归；
3. 具体采样策略：
   1. 每个SGD的mini-batch是从2个图像中构建。如果mini-batch size=128，那么就从每个image中随机采样64个RoIs；
   2. 而这其中25%的RoIs为物体类，要求跟真实bbox的IoU大于0.5；
   3. 剩下的为背景类，要求IoU在**[0.1, 0.5)**的区间范围内。
4. 数据增强。在模型中仅采用了0.5概率水平翻转的数据增强。
5. SGD超参数设置：
   1. softmax和bbox regression的参数使用 zero-mean Gaussian distributions with standard deviations 0.01 and 0.001进行初始化；
   2. Bias初始化为0；
   3. weights的learning rate为1，biases的learning rate为2，global learning rate为0.001；
   4. 在30k个mini-batch iterations之后，后10k个iterations的global learning rate变为0.0001；
   5. 使用了0.9的momentum和0.0005的参数衰减（weights和biases都用了）。
6. 这里再比较一下Fast R-CNN比R-CNN快的原因。如果同样构建一个size为128的mini-batch：对于R-CNN来说，需要128张图片，首先对他们都进行region proposals，在region proposals的过程中，由于来自不同的图片，这个过程参数肯定是不共享的。然后每个图片选择一个proposal，经过fixed size后产生size为128的mini-batch，再输入到CNN中，产生 feature map，这个feature map的shape为(128, C, H, W)，C为filter数量；而对于Fast R-CNN来讲，由于采样策略的不同，需要2张图片，这两张图片会产生region proposals，每张图片内选择64个proposals，这个region proposals的过程中，由于64个proposals来自同一张图，所使用的参数共享，因此这个挑选64个proposals的过程会比从64张图片中各挑选1个proposals快64倍。同时，这两张图片输入CNN中产生feature map，此时feature map的shape为(2, C, H, W)，然后feature map再结合每张图64个regions，形成size为128的mini-batch。可以看出，128形成的阶段不太相同，R-CNN在输入CNN前已经形成，它的128其实来自128个不同图片；而Fast R-CNN的128形成于RoI max pooling之前，它的128其实仅来自两个图片。

3.关键技术

3.1 RoI max Pooling

RoI池化的目的是将RoI产生固定尺寸 $H×W$的feature vector，H和W是两个超参数。

RoI池化的原理与max pooling的原理类似，其池化策略也同为最大值池化。不过只是相当于将输出固定，根据不同的RoI尺寸产生不一样的步长，形成相同数量的子窗口，在子窗口内求最大值。

论文中还讲了RoI max Pooling的反向传播算法，看了一下感觉代码写起来跟常用的max pooling的反向传播差不多。。。

3.2 多任务损失函数

Fast R-CNN包含两个并行的输出模块，损失函数结合这两个模块的输出进行计算。第一模块对应的是该RoI在K+1个类上的离散概率分布， $p=(p_0,...,p_K)$。第二个输出模块是对所有类都有的 $t^k=(t^k_x,t^k_y,t^k_w,t^k_h)$，意思就是不管你的真实类别是什么，每一个RoI都会产生一个包含K个类 $t^k$的集合，再通过 $k=argmax(p_0,...,p_K)$来进行定位，然后根据定位后的来进行损失函数的计算。这里的 $t$跟在R-CNN论文里定义的相同。

对于每一个RoI，它的损失函数都可以由下式表述：
$L(p,u,t^u,v)=L_{cls}(p,u)+\lambda[u\ge1]L_{loc}(t^u,v)$
式中： $p$——RoI的概率分布； $u$——真实的label； $t^u$——对应真实类预测出的bbox变换； $v$真实的bbox变换，并将其进行了0均值和单位方差的normalize。

从公式中可以看出损失函数为两个模块的损失函数叠加。

第一个模块的损失函数就是softmax上定义的log损失：
$L_{cls}(p,u)=-logp_u$
第二个模块上的损失函数：
$L_{loc}(t^u,v)=\Sigma_{i\in\{x,y,w,h\}}smooth_{L_1}(t_i^u-v_i)$
式中：
$smooth_{L_1}(x)=\left\{ \begin{array}{rcl} 0.5x^2 & \text{if |x|<1}\\ |x|-0.5 & \text{otherwise}\\ \end{array} \right.$
$[u\ge1]$表示当 $u\ge1$时为1，其他为0。意思是只有当类别是物体类而不是背景类是才计算损失。

$\lambda$为超参数，用来控制两个任务损失之间的平衡。在论文中所有的 $\lambda=1$。

3.3 Truncated SVD

对于目标检测问题，forward pass的时间主要消耗在fully connected layers上，对于大的全连接层，其参数众多，很容易使用SVD进行加速。

对于一个 $u×v$的权值矩阵W，可以将其分解为：
$W\approx U\Sigma_tV^T$
通过使用truncated SVD，使得参数数量从 $u×v$减少到 $t(u+v)$，只要t比 $(u,v)$的最小值更小，那么就能起到减少参数，从而加速训练的效果。

具体的操作是将原来的单一全连接层转化为两个全连接层，第一个全连接层的权值矩阵是 $\Sigma_tV^T$，该层没有biases；第二个全连接层的权值矩阵为 $U$，该层的biases跟W一致。

4.典型的训练及预测流程

4.1 训练过程

1. 给图片产生proposals，并根据IoU为图片内的proposal打上label；
2. 根据具体采样策略形成一个mini-batch，mini-batch中包含了来自不同图片的proposals；
3. 将图片输入CNN，并经过conv layer层后产生feature map；
4. feature map结合proposals并经过RoI池化后产生feature vector；
5. 将vector送入softmax和regressors产生类的概率分布和所有类的边框回归预测；
6. 结合label的正确类别信息计算multi-task损失函数；
7. 进行反向传播。

4.2 预测过程

1. 训练好的Fast R-CNN接收一个图像和包括R个proposals的列表。在测试阶段，R大约为2000；
2. 对于每个RoI r，通过forward pass经过softmax产生一个概率分布p和一系列跟r相关的bbox 偏移量预测值（K个class的话，每个class都有自己的边框预测）；
3. 根据概率分布p的信息找到一系列bbox中对应预测类的偏移量，对边框位置进行调整；
4. 根据每一个RoI的概率分布提出一个检测置信度， $Pr(class=k|r)\triangleq p_k$；
5. 对属于同一类的边框采取非极大抑制（NMS）减少冗余边框的数量，得到最后的边框。

5.用来加速、提高模型mAP的方法

5.1 加速

• 采用分层的采样策略。对于R-CNN和SPP，如果每个mini-batch的size是128，这128个RoI分别来自不同的image，这样会导致反向传播过程的训练速度受到影响；对于Fast R-CNN，采用了不同的采样策略，如果mini-batch size同为128，那么会有64个RoIs来自同一张图片，另外64个RoIs来自另一张图，并且来自同一张图片的RoIs在fp和bp过程中共享计算和存储，这样会使计算大大加快。
• 多任务损失函数。多任务损失函数的采用使得原本分为几个阶段（训练softmax，训练SVM，训练regressors）的过程合并。
• 采用SVD。通过Truncated SVD的使用能够显著降低全连接层消耗的时间，并且基本不会影响到mAP（仅降低0.3%）。在使用SVD之前，全连接层的消耗的时间占总时间的45%，使用SVD后，该部分由于参数减少，所消耗的时间显著降低。

5.2 提高mAP

• CNN网络。模型采用了三种预训练的ImageNet模型，其中最大最深的VGG16相较与其他两种模型有着普遍高的mAP。
• 增加额外数据。Fast R-CNN 在对VOC 12数据集进行训练时，加入07的trainval，可提高mAP。在增加数据量的同时，mini-batch iterations也随之增加。
• Fine-tuning the conv layers。对于conv layers的微调可以给mAP带来一个比较大的提升，但并不是对所有conv layer都有fine tune的必要，根据论文中的研究表明，对于VGG16，只有必要调整conv3_1以上的层。
• 训练时不加入难训练对象。训练时不对标记为“difficult”的对象进行训练，将这些对象从样本中移除可以使mAP上升一点。
• 分类模型的选择。使用softmax的整体效果要比one vs all的SVM要好；
• 改变proposal。在一定范围内提高proposals，但是效果很小，再增加甚至会影响mAP