• 文章目錄

  • Fast R-CNN
  • • • 1. SPPnets
      • 2. ROI池化層
      • • 2.1 介紹
        • 2.2 ROI池化層原理
      • 3. Fast R-CNN的原理

Fast R-CNN

論文摘要:This paper proposes a Fast Region-based Convolutional Network method (Fast R-CNN) for object detection. Fast R-CNN builds on previous work to efficiently classify object proposals using deep convolutional networks. Compared to previous work, Fast R-CNN employs several innovations to improve training and testing speed while also increasing detection accuracy. Fast R-CNN trains the very deep VGG16network 9× faster thanR-CNN, is 213× faster at test-time, and achieves a higher mAP on PASCAL VOC 2012. Compared to SPPnet, Fast R-CNN trains VGG16 3×faster, tests 10× faster, and is more accurate. Fast R-CNN is implemented in Python and C++ (using Caffe) and is available under the open-source MIT License at
https://github.com/rbgirshick/fast-rcnn.

The Fast R-CNN method has several advantages:

Higher detection quality (mAP) than R-CNN, SPPnet

Training is single-stage, using a multi-task loss

Training can update all network layers

No disk storage is required for feature caching

Fast R-CNN 主要是對(duì)R-CNN進(jìn)行了一些方法上的改進(jìn)。首先我們分析一下R-CNN慢的主要原因有哪些：

首先就是每個(gè)候選的區(qū)域都要用CNN提取特征，而事實(shí)上它們都是這張圖片的一部分，很多計(jì)算都是重復(fù)的。

此外訓(xùn)練慢就在于有多個(gè)模型——卷積網(wǎng)絡(luò)、SVM和Bouding box回歸。

下面我們來看看Fast R-CNN是如何進(jìn)行改進(jìn)的，其中Fast R-CNN架構(gòu)圖如下所示:

它的輸入是一張圖片和一些候選區(qū)域，對(duì)于輸入的圖片，它會(huì)使用多層的卷積網(wǎng)絡(luò)得到一些特征映射(Feature Map)，然后對(duì)于每一個(gè)候選區(qū)域，一個(gè)RoI(Region of Interest)的pooling層會(huì)從這些特征映射中選取與之對(duì)應(yīng)的區(qū)域，通過pooling得到固定大小的特征，再把這些特征輸入全連接層。然后再從全連接層分出兩個(gè)分支，一個(gè)用softmax進(jìn)行分類，另一個(gè)分支直接輸出4個(gè)數(shù)值，分別表示Bounding box的位置。

Fast R-CNN對(duì)于每個(gè)圖片只用CNN提取一次特征，然后不同的候選區(qū)域會(huì)”共享“這個(gè)特征，只是使用RoI來選擇空間位置上與之對(duì)應(yīng)的部分，這樣預(yù)測(cè)的時(shí)候速度會(huì)比R-CNN快很多。其次，Fast R-CNN完全拋棄了SVM和一個(gè)單獨(dú)的Bouding box回歸。而是使用統(tǒng)一的一個(gè)深度神經(jīng)網(wǎng)絡(luò)來同時(shí)輸出分類和Bouding box的位置，因此是一個(gè)統(tǒng)一的訓(xùn)練過程，從而避免復(fù)雜的Pipeline和提高訓(xùn)練速度。

在正式介紹Fast R-CNN算法之前，我們有必要了解一下SPPnets(Spatial pyramid pooling networks) 和ROI池化層。

1. SPPnets

SSPnet were proposed to speed up R-CNN by sharing computation. The SPPnet method computes a convolutional feature map for the entire input image and then classifies each object proposal using a feature vector extracted from the shared feature map.

SPPnet accelerates R-CNN by 10 to 100× at test time. Training time is also reduced by 3× due to faster proposal feature extraction.

SPPNet的英文全稱是Spatial Pyramid Pooling Convolutional Networks，即：“空間金字塔池化卷積網(wǎng)絡(luò)。名字聽起來是不是感覺挺復(fù)雜，挺高大上的。其實(shí)，SPPNet主要就是做了一件事情:

將CNN的輸入從固定尺寸改進(jìn)為任意尺寸。例如，在普通的CNN結(jié)構(gòu)中，輸入圖像的尺寸往往是固定的(如224x224像素)，輸出可以看做是一個(gè)固定維數(shù)的向量。SIPPNet在普通的CNN結(jié)構(gòu)中加入了ROI池化層(ROI Pooling )，使得網(wǎng)絡(luò)的輸入圖像可以是任意尺寸的，輸出則不變，同樣是一個(gè)固定維數(shù)的向量。ROI池化層一般跟在卷積層后面，它的輸入是任意大小的卷積，輸出是固定維數(shù)的向量。

2. ROI池化層

2.1 介紹

ROI池化層能夠把任意大小的卷積特征轉(zhuǎn)換成固定長(zhǎng)度的向量，為了詳細(xì)介紹ROI池化層，不妨我們就設(shè)卷積層輸出的寬度為w，高度為h，通道為c。不管輸入的圖像尺寸是多少，卷積層的通道數(shù)都不會(huì)變，也就是說c是一個(gè)常數(shù)。而w、h會(huì)隨著輸入圖像尺寸的變化而變化，可以看作是兩個(gè)變量。以上圖中的ROI池化層為例，它首先把卷積層劃分為4x4的網(wǎng)格，每個(gè)網(wǎng)格的寬是w/4、高是h/4、通道數(shù)為c。當(dāng)不能整除時(shí)，需要取整。接著，對(duì)每個(gè)網(wǎng)格中的每個(gè)通道，都取出其最大值，換句話說，就是對(duì)每個(gè)網(wǎng)格內(nèi)的特征做最大值池化（Max Pooling )。這個(gè)4x4的網(wǎng)格最終就形成了16c維的特征。接著，再把網(wǎng)絡(luò)劃分成2x2的網(wǎng)格，用同樣的方法提取特征，提取的特征的長(zhǎng)度為4c。再把網(wǎng)絡(luò)劃分為1x1的網(wǎng)格，提取的特征的長(zhǎng)度就是c，最后的1x1的劃分實(shí)際是取出卷積中每個(gè)通道的最大值。最后，將得到的特征拼接起來，得到的特征是16c+4c+c = 21c維的特征。很顯然，這個(gè)輸出特征的長(zhǎng)度與w, h兩個(gè)值是無關(guān)的，因此ROI池化層可以把任意寬度、高度的卷積特征轉(zhuǎn)換為固定長(zhǎng)度的向量。

那么應(yīng)該怎么把ROI池化層用到目標(biāo)檢測(cè)中來呢，其實(shí)，可以這樣考慮該問題：網(wǎng)絡(luò)的輸入是一張圖像，中間經(jīng)過若干卷積形成了卷積特征，這個(gè)卷積特征實(shí)際上和原始圖像在位置上是有一定對(duì)應(yīng)關(guān)系的。原始圖像的目標(biāo)會(huì)使得卷積特征在同樣位置產(chǎn)生激活。因此，原始圖像中的候選框，實(shí)際上也可以對(duì)應(yīng)到卷積特征中相同位置的框。由于候選框的大小千變?nèi)f化，對(duì)應(yīng)到卷積特征的區(qū)域形狀也各有不同，但是不用擔(dān)心利用ROI池化層可以把卷積特征中的不同形狀的區(qū)域?qū)?yīng)到同樣長(zhǎng)度的向量特征。綜合上述步驟，就可以將原始圖像中的不同長(zhǎng)寬的區(qū)域都對(duì)應(yīng)到一個(gè)固定長(zhǎng)度的向量特征，這就完成了各個(gè)區(qū)域的特征提取工作。

而且我們知道，在R-CNN中，對(duì)于原始圖像的各種候選區(qū)域框，必須把框中的圖像縮放到統(tǒng)一大小，再對(duì)每一張縮放后的圖片提取特征。使用ROI池化層后，就可以先對(duì)圖像進(jìn)行一遍卷積計(jì)算，得到整個(gè)圖像的卷積特征;接著，對(duì)于原始圖像中的各種候選框，只需要在卷積特征中找到對(duì)應(yīng)的位置框，再使用ROI池化層對(duì)位置框中的卷積提取特征，就可以完成特征提取工作。

• R-CNN和SPPNet的不同點(diǎn)在于，R-CNN要對(duì)每個(gè)區(qū)域計(jì)算卷積，而SPPNet只需要計(jì)算一次，因此SPPNet的效率比R-CNN高得多。
• R-CNN和SPPNet的相同點(diǎn)在于，它們都遵循著提取候選框、提取特征、分類幾個(gè)步驟。在提取特征后，它們都使用了SVM進(jìn)行分類。

2.2 ROI池化層原理

如上所述，我們可以利用 ROI 池化將不同大小的 ROI 轉(zhuǎn)換為固定大小。

為簡(jiǎn)潔起見，我們以8×8 特征圖轉(zhuǎn)換為預(yù)定義的 2×2 大小為例。

• 下圖左上角：特征圖。
• 右上角：將 ROI（藍(lán)色區(qū)域）與特征圖重疊。
• 左下角：將 ROI 拆分為目標(biāo)維度。例如，對(duì)于 2×2 目標(biāo)，我們將 ROI 分割為 4 個(gè)大小相似或相等的部分。
• 右下角：找到每個(gè)部分的最大值，得到變換后的特征圖

輸入特征圖（左上），輸出特征圖（右下），ROI (右上，藍(lán)色框)

按上述步驟，我們便可以得到一個(gè) 2×2 的特征圖塊，然后可以饋送至分類器和邊界框回歸器中。

3. Fast R-CNN的原理

在SPPNet中，實(shí)際上特征提取和區(qū)域分類兩個(gè)步掇還是分離的。只是使用ROI池化層提取了每個(gè)區(qū)域的特征，在對(duì)這些區(qū)域分類時(shí)，還是使用傳統(tǒng)的SVM作為分類器。Fast R-CNN相比SPPNet更進(jìn)一步，不再使用SVM作為分類器，而是使用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，這樣就可以同時(shí)訓(xùn)練特征提取網(wǎng)絡(luò)和分類網(wǎng)絡(luò)，從而取得比SPPNet更高的準(zhǔn)確度。

對(duì)于原始圖片中的候選框區(qū)域，和SPPNet中的做法一樣，都是將它映射到卷積特征的對(duì)應(yīng)區(qū)域，然后使用ROI池化層對(duì)該區(qū)域提取特征。在這之后，SPPNet是使用SVM對(duì)特征進(jìn)行分類，而Fast R-CNN則是直接使用全連接層。全連接層有兩個(gè)輸出，一個(gè)輸出負(fù)責(zé)分類，另一個(gè)輸出負(fù)責(zé)框回歸。

先說分類，假設(shè)要在圖像中檢測(cè)K類物體，那么最終的輸出應(yīng)該是K+l個(gè)數(shù)，每個(gè)數(shù)都代表該區(qū)域?yàn)槟硞€(gè)類別的概率。之所以是K+1個(gè)輸出而不是K個(gè)輸出，是因?yàn)檫€需要一類“背景類”，針對(duì)該區(qū)域無目標(biāo)物體的情況。

Fast R-CNN與SPPNet最大的區(qū)別就在于，Fast R-CNN不再使用SVM進(jìn)行分類，而是使用一個(gè)網(wǎng)絡(luò)同時(shí)完成了提取特征、判斷類別、框回歸三項(xiàng)工作。

Fast R-CNN 的流程圖:

Fast R-CNN 最重要的一點(diǎn)就是包含特征提取器、分類器和邊界框回歸器在內(nèi)的整個(gè)網(wǎng)絡(luò)能通過多任務(wù)損失函數(shù)進(jìn)行端到端的訓(xùn)練，這種多任務(wù)損失即結(jié)合了分類損失和定位損失的方法，大大提升了模型準(zhǔn)確度。

總結(jié)

以上是生活随笔為你收集整理的Fast R-CNN论文原理+目标检测笔记(二)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。