RCNN极其细致初学者阅读笔记

版权声明：本文由 Kathy 投稿

 

1、 Introduction

1.1 R-CNN and SPPnet

R-CNN的弊端：

多阶段（3）的训练过程

训练的时间和空间开销大

速度过慢

R-CNN的问题症结在于其不能共享计算，而SPPnet改进了这个问题，通过对整张图卷积得到特征图，从这张特征图上进行region proposal而能够共享卷积的计算结果，加速了 R-CNN；后通过空间金字塔池化实现了任意尺度图像的输入。

SPPnet的问题在于：训练仍是多阶段的；特征提取后仍需存放到磁盘造成大的开销；不像R-CNN，其微调算法不能更新金字塔池化之前的卷积层，从而限制了网络的深度。

1.2 contribution

提出Fast R-CNN，其优点为：

更高的检测精度mAP

训练时单阶段的

训练过程可以更新所有层网络参数

无需为特征图缓存消耗内存

2、 Fast R-CNN architecture and training

网络结构为：

输入整张图片，通过卷积池化提取特征图

在特征图上提取RoI (region of interest)，相当于region proposal 阶段。

RoI Pooling输出固定尺寸的RoI特征图（尺度降为1的简易版SPP）

FCs映射得到固定维度的特征向量

对特征向量分别进行分类（获得K+1维结果，类别+背景）和回归（获得K4维结果，每类的box定位）

注意这个观点：为什么说Fast R-CNN的训练将多阶段压缩为单阶段？之前的R-CNN是先region proposal，在SVM分类，再回归box三部分，这里第一阶段不变，但是训练部分的后两个阶段被合并了。理解：R-CNN训练了SVM和FC分别用于分类和回归，而Fast R-CNN只训练了一个网络，既能分类也能回归，两者相互促进。虽然看上去网络的最后分类和回归分流并列了，但是两者的学习是共同反馈，指导网络参数的调整的，优化的是一个网络，所以时间和内存开销都小了。（Faster R-CNN甚至把非训练的 region proposal也放到网络上去了，三位一体）

2.1 The RoI pooling layer

RoI pooling就是level=1的SPP，在每个bin内作最大值池化。略有不同的是，SPP计算了pooling的步长，池化利用了图像每个像素；而RoI pooling则计算bin的尺寸后，直接在bin内取最大值池化，相当于stride=size(bin)，这样势必会舍掉很多边缘像素（于是有了Rolalign）

一个认识：有没有量化误差、够不够精确，看的不单是简单的像素级丢失，而是输出对于输入的响应。比如RoIpooling和RoIAlign相比，将输入进行像素或者尺寸的变化，后者的变化很及时和明显，而前者就显得迟钝和不灵敏（因为像素丢失和maxpooling，相比之下卷积计算就比maxpooling好一些）。再比如SPP用到了每个像素，会比RoIpooling灵敏，但是如果特征图尺寸20.520.5，显然也不如RoIAlign。

2.2 Initializing from pre-trained networks

从预训练模型的基础上开始实验，需要做三个改动：

最后一个池化层（后面就是FC了）替换为RoI pooling层，尺寸设置根据后面FC的匹配来确定

将最后一个FC层替换为两个并行的子层，分别用于分类和回归

网络设置两个输入：图片及其RoI。（注意，在Fast R-CNN，region proposal还不属于网络，它是SS算法预处理的结果）

2.3 Fine-tuning for detection

通过反向传播可以更新网络的所有权重参数，这一点是SPPnet做不到的（没看懂为什么）；提出有效利用共享参数训练，也无非是借鉴SPP，先提取特征图，再提取RoI，每张图的卷积特征是一样的，所以这些RoI共享计算；三阶段的合并单模型学习。

Multi-task loss

由于将分类和回归任务统一训练，损失函数必然是多任务的，具体形式如下：

先看损失函数的输入，p是RoI特征向量的分类结果，由softmax输出得到的 K+1维的类概率向量，通过下标索引p0,...pk；u，v分别是RoI的ground truth label的类别和坐标； tu是真实类别u的实际回归（预测）结果；(坐标归一化过)

右边分为两个函数：第一个是类别损失，

，表征真实类别概率的负对数损失；第二项是定位损失，其中[u>=1]函数值在u>=1时取1，否则为0，背景类的u索引为0,第0类，这样做可以在输入RoI为背景时不计算定位损失（本来就没有物体），对于回归的定位损失函数：

输入是真实坐标v和预测的坐标tu，可以看出只计算正确类的定位损失，这样一来将分类和定位的误差严格区分开了。送过来的RoI不止一个，所以用i表示，计算方式是平滑的鲁棒L1损失：-

该损失对异常值相比L2损失（均方差）更加不敏感，当回归目标无界限限制时，L2训练需要精细地调整学习率防止梯度爆炸，而此处采用的方法则不那么敏感。（对比：YOLO采用的就是L2，因为他的回归是有界的，不会超出一个grid cell范围）

还有一个参数lambda，用于调整分类和回归损失的比重。

针对这个分离分类和回归的损失函数，作者还补充了一个CVPR的论文，其使用的是相关损失训练，而且还是双网络进行分类和回归，这个思想和这里的不一样，Fast R-CNN只是loss分离了分类和回归，但是指导的是同一个网络。

Mini-batch sampling

采用的batch为128，在R-CNN中有1:3的正负样本构成，这里类似，128来自两张图，每张提取64个RoI。其中正样本占25%，从iou大于0.5的RoI中采样，这些RoI中包含物体，标记为u>1，会参与计算定位误差；剩下75%RoI从iou在[0.1,0.5)之间的负样本采样，仍是1:3（正样本比例保持较小，适应实际情况，降低假阳性误检），它们标记u=0不参与定位损失计算。iou小于0.1的可以考虑进行难分样本挖掘。除了0.5的概率进行水平翻转外，未采取其他的数据增强。

Back-propogation through RoI pooling layers

关于RoI Max pooling的反向求导没看太明白，这里有讲，用得到的时候看一下：https://blog.csdn.net/yzf0011/article/details/76758337

SGD hyper-parameters

2.4 Scale invariance

提供了两种尺度不变性学习方法：

强制学习。训练和检测阶段，将图片变换到固定尺寸，ground truth在同一标准（size）下有了多尺度的特点，直接从图像中学习物体的尺度变化特性。

图像金字塔。通过下采样或差值的方法，改变原图的尺寸，为网络提供变化尺度的输入。这在数据量不大的小样本情况下也是一种数据增强方式。

3、4 Fast R-CNN detection & Main result

3.1 Truncated SVD for faster detection(截断SVD)

这里描述的是，在检测任务中由于大量的RoI提出，导致FC层的计算非常大（大于卷积层的运算）几乎占到forward的一半，因此作者借鉴了其他论文采用截断SVD进行模型的压缩和加速，取代了连接权W，减少了参数。（数学性比较强，暂时不分析）

后面就作者展示的效果来看还是很喜人的，mAP掉了0.3%,但提速了30%左右，大大加速了fc层。（在有FC层的网络中可以借鉴截断SVD）

fine-tune的位置：fine-tine当然有效果，但是并非所有层都应该进行学习。作者经过实验发现，conv1学习与否对网络的精度提升并无影响，因此需要选择合适的fie-tune层。

5、Design evaluation

5.1 Does multi-task training help?

实验和数据说话：

SML是三个不同深度的基础模型，第1,2列，3,4列分别作对比。第一列的loss只有分类损失，第二列是多任务损失，但是不输出bbox，进行分类实验对比，发现加了回归定位损失指导的模型对分类任务完成更好；第三列是拆分loss分阶段训练，第四列是多任务损失联合训练，进行回归对比实验，发现联合loss的效果比分阶段的效果好。

结论：分类和回归的损失同时用于训练，共同指导参数优化时，可以起到相互补充、改善模型精度的效果；多任务共同训练的效果，要比单任务分阶段训练的效果好。

5.2 Scale invariance : to brute force or finesse?

关于选择单尺度还是多尺度训练，先给出结论：多尺度训练的效果当然比单尺度好，但是越是对于深层网络而言，单尺度训练反而可以获得更好的时间和速度的折衷。

实验数据如下：

左边的SPPnet是一个类似于S模型的小模型。纵向对比可以看出，多尺度训练的效果总是强于单尺度的；横向对比计算耗时依次为：2.7倍、3.9倍、4.6倍，而精度提升为：1.2倍、1.3倍、1.5倍，相比于时间的增长，作者认为深度网络的单尺度训练折中比较好（这里的数据看不出来吧....），解释是：深度网络更加擅长学习尺度的不变性，喂给单尺度输入就能学习较好了，多尺度的锦上添花相比其速度变慢来说退居次位。

5.3 Do we need more training data?

5.4 Do SVMs outperform softmax?

数据就不用贴了，肯定是比svm好。作者认为原因是，softmax由其表达式知输出和为1，因此每个标量（RoI打分）之间引入竞争机制， winner-take-all，进一步拉大了准确回归和较差回归的差距，使得结果更好。

5.5 Are more proposal always better?

更多的region未必有效，mAP反而下降。