Fast RCNN 目标检测网络学习记录 （附代码）
论文地址：https://arxiv.org/abs/1504.08083
代码地址：https://github.com/rbgirshick/fast-rcnn
1.是什么？
Fast RCNN是目标检测领域的一个算法框架，是RCNN的改进版。Fast RCNN的主要目的是解决RCNN算法中的瓶颈问题，即选择性搜索算法的速度较慢。Fast RCNN通过引入ROI池化层，将整张图片的卷积特征图和候选框的位置信息输入到全连接层中，从而避免了对每个候选框都进行卷积操作的问题，大大提高了检测速度。Fast RCNN的作用是在目标检测任务中，对于输入的图像进行目标检测，输出图像中所有目标的类别和位置信息。
2.为什么？
- RCNN对每个proposal单独通过CNN进行特征提取，速度非常慢，并且有很多的区域是重叠的，导致冗余计算。Fast RCNN只对全图进行一次特征提取，然后对于每个proposal，从提取的全图特征中截取对应的特征。
- 提出了RoI Pooling，由于后面有分类和回归任务，需要固定长度的特征。而Region Proposal的大小是不固定的，RCNN中的处理是对proposal进行裁剪缩放到固定大小，无法完整保存原始图像的信息。Fast RCNN提出了RoI Pooling将特征调整为同样大小。
- Fast RCNN使用全连接层+softmax代替了RCNN中的SVM分类器，特征提取、分类、回归这个三部分合在了一起。
3.怎么样？
3.1网络结构
如图，将一张图像输入到 Deep ConvNet 中得到图像的特征图，根据ROI区域与整体图像的坐标映射关系 （RoI Projection）进行特征映射（Conv feature map），能够得到每一个候选区域（ROI区域）的特征矩阵。
将每一个特征矩阵通过RoI pooling layer，池化到固定尺寸（7*7），然后展平为向量（vector）。再经过两个全连接层（fully connected layers,FC），得到ROI特征向量（ROI feature vector）。
之后 ROI feature vector 并联两个FC，其中一个用于目标概率预测（softmax），另一个用于边界框参数的回归（bbox regressor，bbox 表示 bounding box）。
3.2 算法流程
（1）输入图像；
（2）通过深度网络中的卷积层（VGG、Alexnet、Resnet等中的卷积层）对图像进行特征提取，得到图片的特征图；
（3）通过选择性搜索算法得到图像的感兴趣区域（通常取2000个）；
（4）对得到的感兴趣区域进行ROI pooling（感兴趣区域池化）：即通过坐标投影的方法，在特征图上得到输入图像中的感兴趣区域对应的特征区域，并对该区域进行最大值池化，这样就得到了感兴趣区域的特征，并且统一了特征大小，如图2所示；
（5）对ROI pooling层的输出（及感兴趣区域对应的特征图最大值池化后的特征）作为每个感兴趣区域的特征向量；
（6）将感兴趣区域的特征向量与全连接层相连，并定义了多任务损失函数，分别与softmax分类器和boxbounding回归器相连，分别得到当前感兴趣区域的类别及坐标包围框；
（7）对所有得到的包围框进行非极大值抑制（NMS），得到最终的检测结果。
3.3 框架
Fast RCNN将CNN特征提取，SVM边界框分类，bbox regression边界框回归三部分结合到了一起，都融合到同一个CNN中。那么Fast RCNN就只有两部分了：先通过SS算法获取候选框，再通过CNN完成特征提取、分类和边界框回归。
3.3.1 ROI Pooling（Region of Interest）
它的输入是特征图，输出则是大小固定的channel x H x W的vector。ROI Pooling是将一个个大小不同的region proposals，映射成大小固定的(W x H）的矩形框。它的作用是根据region proposals的位置坐标在特征图中将相应区域池化为固定尺寸的特征图，以便进行后续的分类和输出回归框操作。它可以加速处理速度。
ROI Pooling有两个输入，一个是图片进入CNN后的特征图，另一个是区域的边框。ROI 的输出是一个region_nums x channels x W x H的向量。
RoI可以看成是SPP的简化版本，原版SPP是多尺度池化后进行concat组成新特征，而RoI只使用一个尺度，可以将任意维度的特征矩阵缩放成固定维度。论文中的具体做法是，把高和宽都平均分为7*7的小块，然后在每一个小块做max pooling操作，channel维度不变，这样做能使输出维度固定，同时RoI Pooling不是多尺度的池化，梯度回传非常方便，为fine-tune卷积层提供了条件。（SPP Net不能fine-tune卷积层）
3.3.2 softmax 分类器
softmax 分类器输出N+1个类别的概率，如下图所示。PASCAL VOC2012数据集中有20个分类，因此会输出21个类别的概率，其中第一个为背景概率，其余20个为每个分类的概率。所以softmax的FC中有N+1个节点。
3.3.3 边界框回归器（bbox regressor ）
一幅图片中会画出N+1个分类的候选框，每个候选框都有x、y、w、d四个参数，所以 bbox regressor 的FC中有 4(N+1) 个节点。
边界框参数回归的计算方法：
3.3.4 Fast RCNN 中 loss 的计算
因为在Fast RCNN 中需要预测N+1个类别的概率以及边界框的回归参数，所以定义了两个损失函数：分类损失和边界框回归损失。 
3.4 代码实现
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
class FastRCNN(nn.Module):
def __init__(self, num_classes):
super(FastRCNN, self).__init__()
self.features = torchvision.models.vgg16(pretrained=True).features
self.roi_pool = nn.AdaptiveMaxPool2d((7, 7))
self.classifier = nn.Sequential(
nn.Linear(512 * 7 * 7, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, num_classes + 1)
)
self.bbox = nn.Sequential(
nn.Linear(512 * 7 * 7, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, (num_classes + 1) * 4)
)
def forward(self, x, rois):
x = self.features(x)
rois = torch.cat([rois[:, :1], rois[:, 1:] - rois[:, :1] + 1], dim=1)
rois = self.roi_pool(F.roi_align(x, [rois], output_size=(7, 7)))
rois = rois.view(rois.size(0), -1)
cls_scores = self.classifier(rois)
bbox_preds = self.bbox(rois)
return cls_scores, bbox_preds4.然后捏！
Fast R-CNN 问题和缺点
1.训练和推断时间较长：Fast R-CNN 的训练过程相对较慢，需要先训练候选区域生成网络（RPN），然后再训练目标分类网络。此外，在推断阶段，需要对整个图像进行前向传播，计算较为耗时。
2.ROI Pooling 的固定大小：ROI Pooling 操作将不同大小的候选区域映射到固定大小的特征图上。这种固定大小的映射可能导致信息的损失或扭曲，特别是对于较小或较大的目标区域。
3.候选区域生成器的质量：Fast R-CNN 使用候选区域生成网络（RPN）生成候选区域，而候选区域生成器的质量直接影响到目标检测的准确性。如果候选区域生成器无法准确地提供包含目标的候选区域，那么最终的检测结果可能会受到影响。
4.依赖预训练模型：Fast R-CNN 通常需要在预训练的卷积神经网络（CNN）模型上进行微调。这意味着它对于预训练模型的选择和质量有一定的依赖性，如果预训练模型不够准确或不适用于特定的任务，可能会影响 Fast R-CNN 的性能。
5.基于滑动窗口的候选区域生成：Fast R-CNN 仍然采用了基于滑动窗口的候选区域生成方法，这可能导致在大规模图像上的计算量较大。尽管 RPN 可以减少滑动窗口的数量，但仍需要对整个图像进行扫描。
参考：
[深度学习基础]Faster RCNN系列
深度学习之目标检测Fast-RCNN模型算法流程详解说明（超详细理论篇）