RCNN,Fast RCNN,Faster RCNN 的前生今世：（4） Fast RCNN 算法详解

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。

同样使用最大规模的网络，Fast RCNN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使用以下四步实现目标检测：
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

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。

特征提取网络

基本结构

图像归一化为224×224直接送入网络。

前五阶段是基础的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）

注：文中给出了大中小三种网络，此处示出最大的一种。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

 

roi_pool层的训练(backward)

首先考虑普通max pooling层。设xi 为输入层的节点，yj 为输出层的节点。

∂L∂xi={0∂L∂yjδ(i,j)=falseδ(i,j)=true

 

其中判决函数δ(i,j) 表示i节点是否被j节点选为最大值输出。不被选中有两种可能：xi 不在yj 范围内，或者xi 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 为输入层的节点，yrj 为第r 个候选区域的第j 个输出节点。

∂L∂xi=Σr,jδ(i,r,j)∂L∂yrj

 

判决函数δ(i,r,j) 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 的梯度等于所有相关的后一层梯度之和。

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。

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%	与真值重叠的最大值在[0.1,0.5)的候选框

分类与位置调整

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）。

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

 

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 和真实平移缩放参数为v 的差别：

Lloc=Σ4i=1g(tui−vi)

g为Smooth L1误差，对outlier不敏感：

g(x)={0.5x2|x|−0.5|x|<1otherwise

 

总代价为两者加权和，如果分类为背景则不考虑定位代价：

L={Lcls+λLlocLclsu为前景u为背景

 

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

全连接层提速

分类和位置调整都是通过全连接层(fc)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u×v 。一次前向传播(forward)即为：

y=Wx

计算复杂度为u×v 。

 

将W 进行SVD分解，并用前t个特征值近似：

W=UΣVT≈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⋅(Σ⋅VT)⋅x=U⋅z

计算复杂度变为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。

 

在github的源码中，这部分似乎没有实现。

实验与结论

实验过程不再详述，只记录结论
- 网络末端同步训练的分类和位置调整，提升准确度
- 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

 

转载于:https://www.cnblogs.com/Libo-Master/p/8258500.html