【目标检测】FastRCNN算法详解

摘自沈晓璐
有待补充自己的理解.

继2014的RCNN之后,推出了FastRCNN ,构思精巧,流程更为紧凑,大幅提升了目标检测的速度。
同样使用最大规模的网络,FastRCNN 和RCNN相比,训练时间从84小时减少为9.5小时,测试时间从47秒,减少为0.32秒,在PASCAL VOC 2007上的准确率相差无几,约在66%-67%之间.

思想

基础:RCNN

简单来说,RCNN使用以下4步实现目标检测:
a.在图像中确定约1000-2000个候选框
b.对于每个候选框内图像块,使用深度网络提取特征
c.对候选框中提取出的特征,使用分类器判别是否属于一个特定类
d. 对于属于某一特征的候选框,用回归器进一步调整其位置

改进:FastRCNN

解决了RCNN的三个问题:

问题一:测试速度慢

**原因:**RCNN一张图像内候选框之间大量重叠,提取特征操作冗余
解决: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:训练速度慢

原因同上
解决: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象上提取出的候选区域。这些候选区域的前几层特征(不懂)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。

特征提取网络

基本结构
图像归一化为224×224直接送入网络
前5阶段是基础的conv + relu + pooling形式,在第五阶段结尾,输入P个候选区域(图像序号×1+几何位置×4,序号用于训练)?
【目标检测】FastRCNN算法详解_第1张图片

注意:文中给出了大中小三种网络,此处是最大的一种,三种网络基本结构相似,仅Conv+Relu层数有差别,或者增删了norm层

roi_pool层的测试(forward)

roi_pool 层将每个候选区域均匀分成M×N块,对每块进行max pooling,将特征图上大小不一的候选区域转变为大小统一的数据,送入下一层。
【目标检测】FastRCNN算法详解_第2张图片

roi_pool 层的训练(backward)

首先考虑普通max pooling层。设 xi x i 为输入层的节点, yj y j 为输出层的节点。
这里写图片描述
其中判决函数 δ δ (i,j)表示i结点是否被j节点选为最大值输出。不被选中有两种可能:
xi x i 不在 yj y j 范围内;
xi x i 不是最大值
对于roi max pooling,一个输入节点可能和多个输出节点相连。设 xi x i 为输入层的节点, yrj y r j 为第r个候选区域的第j个输出节点。
【目标检测】FastRCNN算法详解_第3张图片
这里写图片描述
判决函数表示i节点是否被候选区域r的第j个节点选为最大值输出。代价对于 xi x i 的梯度等于所有相关的后一层梯度和。

网络参数训练

参数初始化

网络除去末尾部分如下图,在ImageNet上训练1000类分类器,结果参数作为相应层的初始化参数。
【目标检测】FastRCNN算法详解_第4张图片
其余参数随机初始化。

分层数据

在调优训练时,每一个mini-batch中首先加入N张完整图片,而后加入从N张图片中选取的R个候选框。这R个候选框可以复用N张图片前5个阶段的网络特征。
实际选择N=2,R=128。

训练数据构成

N张完整图片以50%概率水平翻转。
R个候选框的构成方式如下:

类别 比例 方式
前景 25% 与某个真值重叠在[0.5,1]的候选框
背景 75% 与某个真值重叠在[0.1,0.5]的候选框

分类位置与调整

数据结构

第五阶段的特征输入到两个并行的全连层中(称为multi-task)
【目标检测】FastRCNN算法详解_第5张图片
cls_score层用于分类,输出K+1维数组p,表示属于K类和背景的概率。
bbox_prdict层用于调整候选区域位置,输出4*k维数组t,表示分别属于K类时,应该平移缩放的参数。

代价函数:

loss_cls层评估分类代价。由真实分类u对应的概率决定:

Lcls=logpu L c l s = − l o g p u

loss_bbox评估检测框定位代价,比较真实分类对应的预测参数 tu t u 和真实平移缩放参数为v的差别:
Lloc=i=14g(tuivi) L l o c = ∑ i = 1 4 g ( t i u − v i )

g g 为Smooth L1误差,对outlier不敏感:
g(x)={0.5x2|x|0.5|x|<1otherwise g ( x ) = { 0.5 x 2 | x | < 1 | x | − 0.5 o t h e r w i s e

总代价为这两者加权和,如果分类为背景则不考虑定位代价:
L={Lcls+λLlocLclsuu L = { L c l s + λ L l o c u 为 前 景 L c l s u 为 背 景

源码中bbox_loss_weight 用于标记每一个bbox是否属于某一个类

全连接提速

分类和位置调整都是通过全连接层实现的,设前一级数据为x后一级为y,全连接层参数为W,尺寸为u*v。一次前向传播即为:

y=Wx y = W ∗ x

计算复杂度为
uv u ∗ v

将W进行 SVD分解,并用前t个特征值近似:
W=UΣVTU(:,1:t)Σ(1:t,1:t)V(:,1:t)T W = U Σ V T ≈ U ( : , 1 : t ) ⋅ Σ ( 1 : t , 1 : t ) ⋅ V ( : , 1 : t ) T

原来的前向传播分解成两步:
y=Wx=U(ΣVT)x=Uz y = W x = U ⋅ ( Σ ⋅ V T ) ⋅ x = U ⋅ z

计算复杂度变为 u×t+v×t u × t + v × t
在实现时,相当于把一个全连接层拆分成两个,中间以一个低维数据相连。
【目标检测】FastRCNN算法详解_第6张图片

实验与结论

–网络末端同步训练的分类和位置调整,提升准确率;
–使用多尺度的图像金字塔,性能几乎没有提高;
–倍增训练数据,能够有2%~3%的准确度提升;
–网络直接输出各类概率(softmax),比SVM分类器性能略好;
–更多候选窗不能提升性能

你可能感兴趣的:(【目标检测】FastRCNN算法详解)