6. 目标检测算法之Fast R-CNN算法详解(转)
原文链接：https://www.cnblogs.com/zyly/p/9246418.html
Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.
继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。在Github上提供了源码。
之所以提出Fast R-CNN，主要是因为R-CNN存在以下几个问题：
- 训练分多步。通过上一篇博文我们知道R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。
- 时间和内存消耗比较大。在训练SVM和回归的时候需要用网络训练的特征作为输入，特征保存在磁盘上再读入的时间消耗还是比较大的。
- 测试的时候也比较慢，每张图片的每个region proposal都要做卷积，重复操作太多。
虽然在Fast RCNN之前有提出过SPPnet算法来解决RCNN中重复卷积的问题，但是SPPnet依然存在和RCNN一样的一些缺点比如：训练步骤过多，需要训练SVM分类器，需要额外的回归器，特征也是保存在磁盘上。因此Fast RCNN相当于全面改进了原有的这两个算法，不仅训练步骤减少了，也不需要额外将特征保存在磁盘上。
基于VGG16的Fast RCNN算法在训练速度上比RCNN快了将近9倍，比SPPnet快大概3倍；测试速度比RCNN快了213倍，比SPPnet快了10倍。在VOC2012上的mAP在66%左右。
一 Fast R-CNN思想
Fast RCNN方法解决了RCNN方法三个问题：
问题一：测试时速度慢
RCNN一张图像内候选框之间大量重叠，提取特征操作冗余。
本文将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框。
问题二：训练时速度慢
原因同上。
在训练时，本文先将一张图像送入网络，紧接着送入从这幅图像上提取出的候选区域。这些候选区域的前几层特征不需要再重复计算。
问题三：训练所需空间大
RCNN中独立的分类器和回归器需要大量特征作为训练样本。
本文把类别判断和位置精调统一用深度网络实现，不再需要额外存储。
二 算法简述
算法的主网络是VGG16
以下是训练的步骤：
- 输入是224*224，经过5个卷积层和2个降采样层（这两个降采样层分别跟在第一和第二个卷积层后面）
- 进入RoI Pooling层，该层的输入是conv5层的输出和P个候选区域region proposal。
- 然后再经过两个都是output是4096的全连接层。
- 最后分别经过output个数是21和84的两个全连接层（这两个全连接层是并列的，不是前后关系），前者是分类的输出，代表每个region proposal属于每个类别（21类）的得分，后者是回归的输出，代表每个region proposal的四个坐标。
- 最后是两个损失层，分类的是softmaxWithLoss，输入是label和分类层输出的得分；回归的是SmoothL1Loss，输入是回归层的输出和target坐标及weight。
测试的过程：
与训练基本相同，最后两个loss层要改成一个softmax层，输入是分类的score，输出概率。最后对每个类别采用NMS（non-maximun suppression）。
三 算法详解
Fast R-CNN的流程图如下，这个网络的输入是原始图片和候选区域，输出是分类类别和bbox回归值。对于原始图片中的候选框区域，和SPPNet中做法一样，都是将它映射到卷积特征的对应区域(即图中的RoI projection)，然后输入到RoI pooling layer，可以得到一个固定大小的特征图。将这个特征图经过2个全连接层以后得到RoI的特征，然后将特征经过全连接层，使用softmax得到分类，使用回归得到边框回归。CNN的主体结构可以来自于AlexNet，也可以来自于VGGNet。
1、ROI池化层
这里唯一需要解释的就是RoI pooling layer。如果特征图(feature map)上的RoI 大小是h∗w(这里忽略了通道数)，将这个特征图划分为h/H∗w/W个网格，每个网格大小为H*W，对每个网格做max pooling，这样得到pooling以后的大小就是H∗W（在文章中，VGG16网络使用H=W=7的参数，上图中绘制的是6x6的）。无论原始的RoI多大，最后都转化为7*7大小的特征图。本文将RoI池化为7*7的输出，其实这一层就是SPP的特例，SPP金字塔只有一层就是这样的。
因此可以看出Fast RCNN主要有3个改进：
- 卷积不再是对每个region proposal进行，而是直接对整张图像，这样减少了很多重复计算。
- 原来RCNN是对每个region proposal分别做卷积，因为一张图像中有2000左右的region proposal，肯定相互之间的重叠率很高，因此产生重复计算。用ROI pooling进行特征的尺寸变换，因为全连接层的输入要求尺寸大小一样，因此不能直接把region proposal作为输入。
- 将regressor放进网络一起训练，每个类别对应一个regressor，同时用softmax代替原来的SVM分类器。
2、训练
网络的训练需要从下面几个方向考虑：1、训练样本是什么；2、损失函数是什么；3、如果提出了新的网络结构，网络结构的反向传播怎么做。此外，还可以关注一下超参数的选取方法，看看作者在超参数选取上有什么好的思路可以借鉴。
3、训练样本
从网络的前向传播可以看到，网络需要的输入是图片和region proposal，输出是类别和bbox，那么训练的图片每个候选区需要提前标注好类别和bbox。
作者使用层次抽样来选取训练图片。对应每个mini-batch而言，大小为128个region proposal（或者叫RoI）。先从训练图片中选取2张图片，每个图片的RoI中选取64个RoI，形成这128个RoI。这样网络前面的卷积计算是可以共享的，降低了训练的复杂度。64个RoI中，25%是有类别的（IoU>0.5，u≥1），剩下75%是背景（IoU∈[0.1,0.5),u=0）。数据增强使用了水平翻转。测试的时候则每张图像大约2000个RoI。
4、损失函数
将分类的loss和回归的loss整合在一起，其中分类采用log loss，即对真实分类（下图中的pu）的概率取负log，而回归的loss和R-CNN基本一样。分类层输出K+1维，表示K个类和1个背景类。
这是回归的loss，其中tu表示预测的结果，u表示类别。v表示真实的结果，即bounding box regression target。
参考文章
[4]目标检测：SPP-net
[6]基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN(强烈推荐)
[8]目标检测（4）-Fast R-CNN
Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.
继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。在Github上提供了源码。
之所以提出Fast R-CNN，主要是因为R-CNN存在以下几个问题：
- 训练分多步。通过上一篇博文我们知道R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search的方式获得，步骤比较繁琐。
- 时间和内存消耗比较大。在训练SVM和回归的时候需要用网络训练的特征作为输入，特征保存在磁盘上再读入的时间消耗还是比较大的。
- 测试的时候也比较慢，每张图片的每个region proposal都要做卷积，重复操作太多。
虽然在Fast RCNN之前有提出过SPPnet算法来解决RCNN中重复卷积的问题，但是SPPnet依然存在和RCNN一样的一些缺点比如：训练步骤过多，需要训练SVM分类器，需要额外的回归器，特征也是保存在磁盘上。因此Fast RCNN相当于全面改进了原有的这两个算法，不仅训练步骤减少了，也不需要额外将特征保存在磁盘上。
基于VGG16的Fast RCNN算法在训练速度上比RCNN快了将近9倍，比SPPnet快大概3倍；测试速度比RCNN快了213倍，比SPPnet快了10倍。在VOC2012上的mAP在66%左右。
一 Fast R-CNN思想
Fast RCNN方法解决了RCNN方法三个问题：
问题一：测试时速度慢
RCNN一张图像内候选框之间大量重叠，提取特征操作冗余。
本文将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框。
问题二：训练时速度慢
原因同上。
在训练时，本文先将一张图像送入网络，紧接着送入从这幅图像上提取出的候选区域。这些候选区域的前几层特征不需要再重复计算。
问题三：训练所需空间大
RCNN中独立的分类器和回归器需要大量特征作为训练样本。
本文把类别判断和位置精调统一用深度网络实现，不再需要额外存储。
二 算法简述
算法的主网络是VGG16
以下是训练的步骤：
- 输入是224*224，经过5个卷积层和2个降采样层（这两个降采样层分别跟在第一和第二个卷积层后面）
- 进入RoI Pooling层，该层的输入是conv5层的输出和P个候选区域region proposal。
- 然后再经过两个都是output是4096的全连接层。
- 最后分别经过output个数是21和84的两个全连接层（这两个全连接层是并列的，不是前后关系），前者是分类的输出，代表每个region proposal属于每个类别（21类）的得分，后者是回归的输出，代表每个region proposal的四个坐标。
- 最后是两个损失层，分类的是softmaxWithLoss，输入是label和分类层输出的得分；回归的是SmoothL1Loss，输入是回归层的输出和target坐标及weight。
测试的过程：
与训练基本相同，最后两个loss层要改成一个softmax层，输入是分类的score，输出概率。最后对每个类别采用NMS（non-maximun suppression）。
三 算法详解
Fast R-CNN的流程图如下，这个网络的输入是原始图片和候选区域，输出是分类类别和bbox回归值。对于原始图片中的候选框区域，和SPPNet中做法一样，都是将它映射到卷积特征的对应区域(即图中的RoI projection)，然后输入到RoI pooling layer，可以得到一个固定大小的特征图。将这个特征图经过2个全连接层以后得到RoI的特征，然后将特征经过全连接层，使用softmax得到分类，使用回归得到边框回归。CNN的主体结构可以来自于AlexNet，也可以来自于VGGNet。
1、ROI池化层
这里唯一需要解释的就是RoI pooling layer。如果特征图(feature map)上的RoI 大小是h∗w(这里忽略了通道数)，将这个特征图划分为h/H∗w/W个网格，每个网格大小为H*W，对每个网格做max pooling，这样得到pooling以后的大小就是H∗W（在文章中，VGG16网络使用H=W=7的参数，上图中绘制的是6x6的）。无论原始的RoI多大，最后都转化为7*7大小的特征图。本文将RoI池化为7*7的输出，其实这一层就是SPP的特例，SPP金字塔只有一层就是这样的。
因此可以看出Fast RCNN主要有3个改进：
- 卷积不再是对每个region proposal进行，而是直接对整张图像，这样减少了很多重复计算。
- 原来RCNN是对每个region proposal分别做卷积，因为一张图像中有2000左右的region proposal，肯定相互之间的重叠率很高，因此产生重复计算。用ROI pooling进行特征的尺寸变换，因为全连接层的输入要求尺寸大小一样，因此不能直接把region proposal作为输入。
- 将regressor放进网络一起训练，每个类别对应一个regressor，同时用softmax代替原来的SVM分类器。
2、训练
网络的训练需要从下面几个方向考虑：1、训练样本是什么；2、损失函数是什么；3、如果提出了新的网络结构，网络结构的反向传播怎么做。此外，还可以关注一下超参数的选取方法，看看作者在超参数选取上有什么好的思路可以借鉴。
3、训练样本
从网络的前向传播可以看到，网络需要的输入是图片和region proposal，输出是类别和bbox，那么训练的图片每个候选区需要提前标注好类别和bbox。
作者使用层次抽样来选取训练图片。对应每个mini-batch而言，大小为128个region proposal（或者叫RoI）。先从训练图片中选取2张图片，每个图片的RoI中选取64个RoI，形成这128个RoI。这样网络前面的卷积计算是可以共享的，降低了训练的复杂度。64个RoI中，25%是有类别的（IoU>0.5，u≥1），剩下75%是背景（IoU∈[0.1,0.5),u=0）。数据增强使用了水平翻转。测试的时候则每张图像大约2000个RoI。
4、损失函数
将分类的loss和回归的loss整合在一起，其中分类采用log loss，即对真实分类（下图中的pu）的概率取负log，而回归的loss和R-CNN基本一样。分类层输出K+1维，表示K个类和1个背景类。
这是回归的loss，其中tu表示预测的结果，u表示类别。v表示真实的结果，即bounding box regression target。
参考文章
[4]目标检测：SPP-net
[6]基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN(强烈推荐)