RCNN算法分为4个步骤:
实现大部分end-to-end训练(提proposal阶段除外): 所有的特征都暂存在显存中,就不需要额外的磁盘空间,joint training (SVM分类,bbox回归 联合起来在CNN阶段训练)把最后一层的Softmax换成两个,一个是对区域的分类Softmax(包括背景),另一个是对bounding box的微调。这个网络有两个输入,一个是整张图片,另一个是候选proposals算法产生的可能proposals的坐标。(对于SVM和Softmax,论文在SVM和Softmax的对比实验中说明,SVM的优势并不明显,故直接用Softmax将整个网络整合训练更好。对于联合训练: 同时利用了分类的监督信息和回归的监督信息,使得网络训练的更加鲁棒,效果更好。这两种信息是可以有效联合的。)
提出了一个RoI层,算是SPP的变种,SPP是pooling成多个固定尺度,RoI只pooling到单个固定的尺度 (论文通过实验得到的结论是多尺度学习能提高一点点mAP,不过计算量成倍的增加,故单尺度训练的效果更好。)
指出SPP-net训练时的不足之处,并提出新的训练方式,就是把同张图片的prososals作为一批进行学习,而proposals的坐标直接映射到conv5层上,这样相当于一个batch一张图片的所以训练样本只卷积了一次。文章提出他们通过这样的训练方式或许存在不收敛的情况,不过实验发现,这种情况并没有发生。这样加快了训练速度。 (实际训练时,一个batch训练两张图片,每张图片训练64个RoIs(Region of Interest))
首先Fast RCNN相比于RCNN主要在以下方面进行了改进:
使用Fast RCNN进行目标检测的预测流程如下:
论文中使用了多种网络结构进行训练,这里以VGG-16(AlexNet之后的又一经典网络)为例。
最开始仍然是在ImageNet数据集上训练一个1000类的分类网络
然后对模型进行“三个变动”
变化后的模型结构如下所示
使用变动后的模型,在标注过的图像数据上继续训练,训练时要输入图像、标注(这里将人为标注的框称为ground truth)和建议框信息。这里为了提高训练速度,采取了小批量梯度下降的方式,每次使用2张图片的128张建议框(每张图片取64个建议框)更新参数。
每次更新参数的训练步骤如下
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% | 与真值重叠的最大值在[0.1,0.5)的候选框 |
我们知道在ImageNet数据上做图片分类的网络,一般都是先把图片crop、resize到固定的大小(224*224),然后输入网络提取特征再进行分类,而对于检测任务这个方法显然并不适合,因为原始图像如果缩小到224这种分辨率,那么感兴趣对象可能都会变的太小无法辨认。RCNN的数据输入和SPPNet有点类似,并不对图片大小限制,而实现这一点的关键所在,就是ROI Pooling网络层,它可以在任意大小的图片feature map上针对输入的每一个ROI区域提取出固定维度的特征表示,保证后续对每个区域的后续分类能够正常进行。
与SPP的目的相同:如何把不同尺寸的ROI映射为固定大小的特征。ROI就是特殊的SPP,只不过它没有考虑多个空间尺度,只用单个尺度(下图只是大致示意图)。
ROI Pooling的具体实现可以看做是针对ROI区域的普通整个图像feature map的Pooling,只不过因为不是固定尺寸的输入,因此每次的pooling网格大小得手动计算,比如某个ROI区域坐标为 ( x 1 , y 1 , x 2 , y 2 ) (x1,y1,x2,y2) (x1,y1,x2,y2),那么输入size为 ( y 2 − y 1 ) ⋅ ( x 2 − x 1 ) (y2-y1)·(x2-x1) (y2−y1)⋅(x2−x1) ,如果pooling的输出size为 p o o l e d h e i g h t ⋅ p o o l e d w i d t h pooled_{height}·pooled_{width} pooledheight⋅pooledwidth,那么每个网格的size为 ( ( y 2 − y 1 ) / p o o l e d h e i g h t ⋅ ( x 2 − x 1 ) / p o o l e d w i d t h ) ((y2 - y1)/pooled_{height}·(x2-x1)/pooled_{width}) ((y2−y1)/pooledheight⋅(x2−x1)/pooledwidth)。
损失函数分为两个部分,分别对应两个并行层
总损失如下:
L ( p , u , t u , v ) = L c l s ( p , u ) + λ [ u ≥ 1 ] L l o c ( t u , v ) L(p,u,t^u,v) = L_{cls}(p,u) + λ[u ≥ 1]L_{loc}(t^u,v) L(p,u,tu,v)=Lcls(p,u)+λ[u≥1]Lloc(tu,v)
损失函数分为两个部分: L c l s L_{cls} Lcls 表示分类损失, L l o c L_{loc} Lloc 表示定位损失(回归损失)
λ λ λ用于判断背景,如果分类不是背景, λ = 1 λ=1 λ=1
分类如果是背景 λ = 0 λ=0 λ=0,则不考虑定位损失,即:
分类损失:
对于分类的全连接神经网络,它将产生由Softmax产生的概率 p = ( p 0 , p 1... , p K ) p=(p0,p1...,pK) p=(p0,p1...,pK)。这里K=20,所以共有21个概率值。
L c l s ( p , u ) = − l o g ( p u ) L_{cls}(p,u) = -log(p_u) Lcls(p,u)=−log(pu),其中 P u P_u Pu是真实类型预测的那个概率。也就是说这里只计算一个 ,其他概率值不算。
定位损失:
对于bounding-box回归的全连接网络,它产生的是位置信息 ( x , y , w , h ) (x,y,w,h) (x,y,w,h),分类神经网络每一个概率值,它都对应有一个位置信息。所以网络最后输出维度为: 21 ∗ 4 = 84 。 21*4=84。 21∗4=84。
有了ROI Pooling层其实就可以完成最简单粗暴的深度对象检测了,也就是先用selective search等proposal提取算法得到一批box坐标,然后输入网络对每个box包含一个对象进行预测,此时,神经网络依然仅仅是一个图片分类的工具而已,只不过不是整图分类,而是ROI区域的分类,显然大家不会就此满足,那么,能不能把输入的box坐标也放到深度神经网络里然后进行一些优化呢?。
在Fast-RCNN中,有两个输出层:第一个是针对每个ROI区域的分类概率预测 p = ( p 0 , p 1 , ⋅ ⋅ ⋅ , p K ) p = (p0,p1,···,pK) p=(p0,p1,⋅⋅⋅,pK),第二个则是针对每个ROI区域坐标的偏移优化 t k = ( t x k , t y k , t w k , t h k ) t_k = (t^k_x,t^k_y,t^k_w,t^k_h) tk=(txk,tyk,twk,thk),0 ≤ k ≤ K 是多类检测的类别序号。
假设对于类别 k ∗ k^* k∗,在图片中标注了一个ground truth 坐标: t ∗ = ( t x ∗ , t y ∗ , t w ∗ , t h ∗ ) t^* = (t^*_x,t^*_y,t^*_w,t^*_h) t∗=(tx∗,ty∗,tw∗,th∗),而预测值为 t = ( t x , t y , t w , t h ) t = (t_x,t_y,t_w,t_h) t=(tx,ty,tw,th),二者理论上越接近越好,这里定义损失函数:
这里, s m o o t h L 1 ( x ) smooth_{L1}(x) smoothL1(x)中的x即为 t i − t i ∗ t_i - t^*_i ti−ti∗即对应坐标的差距。该函数在 (−1,1) 之间为二次函数,而其他区域为线性函数,作者表示这种形式可以增强模型对异常数据的鲁棒性,整个函数在matplotlib中画出来是这样的
分类和位置调整都是通过全连接层实现的,假设全连接层参数为 W W W,尺寸 u × v u × v u×v一次前向传播即为: Y = W x Y=Wx Y=Wx ,计算复次数为 u × v u × v u×v
从上图可以看出,两个全连接层(fc6、fc7)占用了44.9%的时间,非常消耗时间。
为此,论文中对W进行SVD分解,并用前t个特征值近似:
W = U ∑ V T ≈ U ( : , 1 : t ) ⋅ ∑ ( 1 : t , 1 : t ) ⋅ V ( : , 1 : t ) T W = U∑V^T ≈ U(:, 1 : t)·∑(1 : t,1 : t)· V(:,1 : t)^T W=U∑VT≈U(:,1:t)⋅∑(1:t,1:t)⋅V(:,1:t)T
原来的前向传播分解成两步: y = W x = U ⋅ ( ∑ ⋅ V T ) ⋅ x = U ⋅ z y = Wx =U · (∑·V^T)·x = U · z y=Wx=U⋅(∑⋅VT)⋅x=U⋅z
计算复杂度变为 u × t + v × t = ( u + v ) × t u × t + v × t=(u + v) × t u×t+v×t=(u+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。
使用SVD加速后,各部分使用时间如下所示:
文中分别在VOC 2007、VOC 2010、VOC 2012测试集上测试,发现训练数据越多,效果确实更好。这里微调时采用100k次迭代,每40k次迭代学习率都缩小10倍。
SPPnet论文中采用ZFnet【AlexNet的改进版】这样的小网络,其在微调阶段仅对全连接层进行微调,就足以保证较高的精度,作者文中采用VGG-16【L for large】网路,若仅仅只对全连接层进行微调,mAP会从66.9%降低到61.4%, 所以文中也需要对RoI池化层之前的卷积层进行微调;
那么问题来了?向前微调多少层呢?所有的卷积层都需要微调吗?
作者经过实验发现仅需要对conv3_1及以后卷积层【即9-13号卷积层】进行微调,才使得mAP、训练速度、训练时GPU占用显存三个量得以权衡;
作者说明所有AlexNet【S for small】、VGG_CNN_M_1024【M for medium】的实验结果都是从conv2往后微调,所有VGG-16【L for large】的实验结果都是从conv3_1往后微调。
在迁移学习基础上更新哪些层的参数实验
直接输出两个层是否真的有优势,SVM V.S. softmax,输入多种规格的图片,更多训练数据等等
smooth L1 loss从两个方面限制梯度
考察如下几种损失函数,其中:
损失函数对 x 的导数分别为:
从(4)中可以看出,当x增大时,L2损失对x的导数也增大。这就导致训练初期,预测值与 groud truth 差异过于大时,损失函数对预测值的梯度十分大,训练不稳定。
从(5)中可以看出,L1 对 x 的导数为常数。这就导致训练后期,预测值与 ground truth 差异很小时, L1 损失对预测值的导数的绝对值仍然为 1,而 learning rate 如果不变,损失函数将在稳定值附近波动,难以继续收敛以达到更高精度。
从(6)中可以看出,smooth L1 在 x 较小时,对 x 的梯度也会变小,而在 x 很大时,对 x 的梯度的绝对值达到上限 1,也不会太大以至于破坏网络参数。 smooth L1 完美地避开了 L1 和 L2 损失的缺陷。其函数图像如下:
由图中可以看出,它在远离坐标原点处,图像和 L1 loss 很接近,而在坐标原点附近,转折十分平滑,不像 L1 loss 有个尖角,因此叫做 smooth L1 loss。
[本文整理于B站,知乎,CSDN]
欢迎各位点赞评论收藏⭐️