【目标检测】Fast RCNN基本思想和网络结构以及论文补充

fast-RCNN

一、fast-RCNN简介

Fast R-CNN是作者Ross Girshick继R-CNN后的又一力作。同样使用VGG16作为网络的backbone，与R-CNN相比训练时间快9倍，测试推理时间快213倍，准确率从62%提升至66%(再Pascal VOC数据集上)。

注意：
这里与RCNN有明显的不同，RCNN是独立的四步，这里只有两步，所以大大加快了训练速度。

二、fast-RCNN算法的3个步骤

1.一张图像生成1K~2K个候选区域(使用Selective Search方法)
2.将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵
3.将每个特征矩阵通过ROI pooling层缩放到7x7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果

注意：
与RCNN在第二步有所不同，RCNN是把候选框送入CNN，而fast-RCNN是把整张图片送进去。

1.概念：训练数据的采样（正负样本）

1.正样本就是感兴趣的部分，负样本就是没有我们需要的样本（可以理解为背景）
2.训练的时候不是用ss算法中的全部候选框，只是使用了一部分:只要候选框和我们的真实的目标边界框的iou大于0.5，那么就认为是正样本，不是所有的正样本都会被使用，也是随机选择使用的。
3.RoI Pooling Layer

2.分类器

3.边界框回归器

4.多任务损失函数

三、论文解析补充

1.R-CNN的缺点

1.训练是多阶段的
2.训练需要大量的空间和时间
3.因为每张图片需要2000个候选框，所以训练的很慢
主要原因：R-CNN需要一个CNN前向传播，但是没有使用到共享计算。这里使用SPPnet的思路
下边介绍一下SPPnet引入的新思想 什么是SPPnet？

这里使用到sppnet思想空间金字塔池化层
和RCNN的区别
RCNN一般使用的是3*3步长为2的最大池化层，spp层就是限制了输出的尺寸，动态池化控制输出尺寸，不需要想RCNN限制输入图片的尺寸了。
新思想：
不传候选区域，直接传整张图片。这一块解决了上述CNN因为候选框太多处理图片慢的问题。
缺点：
无法更新空间金字塔池化之前的卷积层

2.Fast R-CNN方法的几个优点

1.mAP高于R-CNN、SPPnet
2.训练是单阶段的，使用多任务损失
3.训练可以更新所有网络层 （包括卷积层和全连接层）
4.特性缓存不需要磁盘存储

3.Fast R-CNN引入Rol层

RoI层只是SPPnets中使用的空间金字塔池化层的特殊情况，其中只有一个金字塔层。

4.尺度不变性

有两个目标，一个目标大，一个小，如果都能被识别，证明模型有很好的尺度不变性。

5.最长时间的花费地方

对于检测，要处理的roi数量很大，并且近一半的前向通过时间花在计算全连接层上

6.SVD压缩参数

中间的对角矩阵，左上的最重要，右下的相对不重要，故取左上一部分。把nn 变tt.相当于把n压缩到t，压缩的越多，后续的参数越少。

7.重要结论

1.sppnet只微调全连接层，把卷积层全部冻结。
fastrcnn证明了微调卷积层也是很重要的,实验证明调越靠前的卷积层，效果会更好。
2.多任务训练能提高平均精度。
3.多尺度训练能提高平均精度。
4.大量的训练数据能提高平均精度。
5.使用softmax替换SVM能提高平均精度。
6.使用更多的候选框不一定能提高平均精度。会出现先上升再向下的趋势
7.不需要再单独训练分类器和边界框回归器了