目标检测第二弹——Fast RCNN

Fast RCNN

Fast RCNN训练VGG19网络速度比RCNN快9倍，测试速度快213倍，与SPP网络相比，训练速度快3倍，测试快10倍，并且更准确。

介绍

在当时，目标检测训练任务都是分多个阶段进行模型训练，缓慢且不优雅。因此在Fast RCNN中提出了一种单阶段的训练方式，将物体分类和位置确定结合起来。测试阶段处理一张图片只需要0.3秒，并且在PASCAL VOC 2012数据集上更准确，mAP为66%（RCNN为62%）。

RCNN的不足

1. 多阶段训练。RCNN首先在进行候选框的训练，在ConvNet上微调，使用log损失，然后使用ConvNet提取的特征训练SVM，再使用bounding box回归进行bounding box位置训练。
2. 训练耗时且占用空间。SVM和bounding box回归训练所用到的特征，都由ConvNet存在了磁盘上，这会占用上百G的存储空间。
3. 目标检测耗时。在GPU上处理一张图片要47秒。

SPP的不足

1. 多阶段训练
2. 特征写入磁盘
3. 无法更新空间金字塔池化层之前卷积层的网络参数。

Fast RCNN优点

改进了RCNN和SPP的不足，并提升了速度和准确率，Fast RCNN有以下优点：

1. 相比RCNN，SPP，Fast RCNN有更好的检测质量（mAP）。
2. 单阶段训练，使用多任务损失。
3. 训练过程中能更新所有网络层参数。
4. 不会将提取的特征缓存到磁盘上。

Fast RCNN结构

网络接收整张图片和一系列候选物体作为输入，在图像上使用多个卷积层和最大池化层得到卷积特征，然后在每个候选物体区域上使用RoI（region of interest）池化来得到固定长度的特征向量，再将这些特征向量输入到一系列全连接层中，最后分成两个输出层：1. 使用softmax进行分类，2. 使用bounding box回归得到候选框坐标。

RoI池化层

RoI层实际上是SPP层的一种特殊情况，SPP-Net中会使用不同大小的金字塔映射，而RoI池化层只下采样到7 × 7的特征图。

SPP-Net为什么不能更新SPP层前面卷积层的权重

SPP-Net在训练时，每个训练样本都来自不同的图像，因此会导致反向传播非常低效。为什么会低效呢，因为每个RoI都有非常大的感受野，通常包含整个图像。由于前向传播过程必须处理整个感受野，训练的输入很大（通常是整张图像），因此造成反向传播低效。

截尾奇异值分解

对于分类整张图像，全连接层耗时要比卷积层少，但是对于检测RoI这样的检测任务时，全连接层的计算耗时占了整个前向传播的一半。因此使用截尾奇异值分解来减少全连接层的运算时间。对于大小为u × v的权重矩阵W，它约等于：
$$W\approx U{\Sigma }_t{V}^T$$
左奇异U大小为u × t，对角矩阵大小为t × t，右奇异V大小为v × t。因此原本uv个参数减少到t(u + v)，如果t远远小于min(u,v)，那么性能会提升许多。

欢迎爱好人工智能的小伙伴关注公众号：机器工匠，不定时发布一些关于人工智能的技术、资讯文章，更有面向初学者的系列文章。