Fast R-CNN（理解）

标签：重要   tput   类别   进入   sdn   cti   泛化   组合   https   

0 - 背景

　　经典的R-CNN存在以下几个问题：

• 训练分多步骤（先在分类数据集上预训练，再进行fine-tune训练，然后再针对每个类别都训练一个线性SVM分类器，最后再用regressors对bounding box进行回归，并且bounding box还需要通过selective search生成）
• 时间和空间开销大（在训练SVM和回归的时候需要用网络训练的特征作为输入，特征保存在磁盘上再读入的时间开销较大）
• 测试比较慢（每张图片的每个region proposal都要做卷积，重复操作太多）

　　在Fast RCNN之前提出过SPPnet来解决R-CNN中重复卷积问题，但SPPnet仍然存在与R-CNN类似的缺陷：

• 训练分多步骤（需要SVM分类器，额外的regressors）
• 空间开销大

　　因此，该文提出的Fast RCNN便是解决上述不足，在保证效果的同时提高效率。基于VGG16的Fast RCNN模型在训练速度上比R-CNN快大约9倍，比SPPnet快大约3倍；测试速度比R-CNN快大约213倍，比SPPnet快大约10倍，在VOC2012数据集上的mAP大约为66%。

1 - 整体思路

1.1 - 训练

• 输入是$224 \times 224$的固定大小图片
• 经过5个卷积层+2个降采样层（分别跟在第一和第二个卷积层后面）
• 进入ROIPooling层（其输入是conv5层的输出和region proposal，region proposal个数大约为2000个）
• 再经过两个output都为4096维的全连接层
• 分别经过output各为21和84维的全连接层（并列的，前者是分类输出，后者是回归输出）
• 最后接上两个损失层（分类是softmax，回归是smoothL1）

　　fast R-CNN模型的流程图如下：

1.1.1 - ROIPooling

　　由于region proposal的尺度各不相同，而期望提取出来的特征向量维度相同，因此需要某种特殊的技术来做保证。ROIPooling的提出便是为了解决这一问题的。其思路如下：

• 将region proposal划分为$H \times W$大小的网格
• 对每一个网格做MaxPooling（即每一个网格对应一个输出值）
• 将所有输出值组合起来便形成固定大小为$H \times W$的feature map

1.1.2 - 训练样本

　　训练过程中每个mini-batch包含2张图像和128个region proposal（即ROI，64个ROI/张），其中大约25%的ROI和ground truth的IOU值大于0.5（即正样本），且只通过随机水平翻转进行数据增强。

1.1.3 - 损失函数

　　多损失融合（分类损失和回归损失融合），分类采用log loss（即对真实分类的概率取负log，分类输出K+1维），回归的loss和R-CNN基本一样。

　　总的损失函数如下：

$$L(p,u,t^u,v)=L_{cls}(p,u)+\lambda [u\geqslant 1]L_{loc}(t^u,v)$$

　　分类损失函数如下：

$$L_{cls}(p,u)=-log\ p_u$$

　　回归损失函数如下：

$$L_{loc}(t^u,v)=\sum_{i\epsilon \{x,y,w,h\}}smooth_{L_1}(t_i^u-v_i)$$

　　其中有：

$$smooth_{L_1}(x)=\left\{\begin{matrix}0.5x^2\ \ \ \ \ \ if\ |x|< 1\\|x|-0.5\ \ otherwise\end{matrix}\right.$$

1.1.4 - 改进全连接层

　　由于卷积层计算针对的是一整张图片，而全连接层需要对每一个region proposal都作用一次，所以全连接层的计算占网络计算的将近一半（如下图）。作者采用SVD来简化全连接层计算。

 1.1.5 - 训练整体架构总结

　　图片引用自博客。

1.2 - 测试

1.2.1 - 测试整体架构总结

　　图片引用自博客。

2 - 思考

2.1 - 改进

• 卷积不再是重复对每一个region proposal，而是对于整张图像先提取了泛化特征，这样子减少了大量的计算量（注意到，R-CNN中对于每一个region proposal做卷积会有很多重复计算）
• ROIPooling的提出，巧妙的解决了尺度放缩的问题
• 将regressor放进网络一起训练，同时用softmax代替SVM分类器，更加简单高效

2.2 - 不足

　　region proposal的提取仍然采用selective search，整个检测流程时间大多消耗在这上面（生成region proposal大约2~3s，而特征提取+分类只需要0.32s），之后的Faster RCNN的改进之一便是此点。

3 - 结果

3.1 - mAP

　　FRCN相比其他算法表现更好，且注意到，VOC12由于数据集更大而使得模型效果提高很多。（这一角度也说明了数据对于当前深度学习的重要性不容忽视！）

3.2 - 速度

3.3 - 多任务训练（multi-task）

　　由于本文提出的模型是基于R-CNN通过multi-task训练方式进行改进的，因此要说明multi-task的有效性。一共分为S/M/L三组，每组对应四列，分别为：

• 仅采用分类训练，测试也没有回归
• 采用论文中的分类+回归训练，测试没有回归
• 采用分段训练，测试没有回归
• 采用论文中的分类+回归训练，测试有回归

3.4 - 单尺度vs多尺度

　　多尺度表示输入图像采用多种尺度输入，在测试的时候发现多尺度虽然能在mAP上得到些许提升但也增加了时间开销（作者给出原因：深度卷积网络可以学习尺度不变性）。

4 - 参考资料

https://blog.csdn.net/u014380165/article/details/72851319

Fast R-CNN（理解）

标签：重要   tput   类别   进入   sdn   cti   泛化   组合   https   

原文地址：https://www.cnblogs.com/CZiFan/p/9903518.html