轉載自：http://blog.csdn.net/shenxiaolu1984/article/details/51036677

Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.

繼2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，構思精巧，流程更為緊湊，大幅提升了目標檢測的速度。在Github上提供了源碼。

同樣使用最大規模的網絡，Fast RCNN和RCNN相比，訓練時間從84小時減少為9.5小時，測試時間從47秒減少為0.32秒。在PASCAL VOC 2007上的準確率相差無幾，約在66%-67%之間.

思想

基礎：RCNN

簡單來說，RCNN使用以下四步實現目標檢測：
a. 在圖像中確定約1000-2000個候選框
b. 對于每個候選框內圖像塊，使用深度網絡提取特征
c. 對候選框中提取出的特征，使用分類器判別是否屬于一個特定類
d. 對于屬于某一特征的候選框，用回歸器進一步調整其位置
更多細節可以參看這篇博客。

改進：Fast RCNN

Fast RCNN方法解決了RCNN方法三個問題：

問題一：測試時速度慢
RCNN一張圖像內候選框之間大量重疊，提取特征操作冗余。
本文將整張圖像歸一化后直接送入深度網絡。在鄰接時，才加入候選框信息，在末尾的少數幾層處理每個候選框。

問題二：訓練時速度慢
原因同上。
在訓練時，本文先將一張圖像送入網絡，緊接著送入從這幅圖像上提取出的候選區域。這些候選區域的前幾層特征不需要再重復計算。

問題三：訓練所需空間大
RCNN中獨立的分類器和回歸器需要大量特征作為訓練樣本。
本文把類別判斷和位置精調統一用深度網絡實現，不再需要額外存儲。

以下按次序介紹三個問題對應的解決方法。

特征提取網絡

基本結構

圖像歸一化為224×224直接送入網絡。

前五階段是基礎的conv+relu+pooling形式，在第五階段結尾，輸入P個候選區域（圖像序號×1+幾何位置×4，序號用于訓練）？。

注：文中給出了大中小三種網絡，此處示出最大的一種。三種網絡基本結構相似，僅conv+relu層數有差別，或者增刪了norm層。

roi_pool層的測試(forward)

roi_pool層將每個候選區域均勻分成M×N塊，對每塊進行max pooling。將特征圖上大小不一的候選區域轉變為大小統一的數據，送入下一層。

roi_pool層的訓練(backward)

首先考慮普通max pooling層。設x?i??為輸入層的節點，y?j??為輸出層的節點。

?L?x?i??={0?L?y?j???δ(i,j)=falseδ(i,j)=true??

其中判決函數δ(i,j)?表示i節點是否被j節點選為最大值輸出。不被選中有兩種可能：x?i??不在y?j??范圍內，或者x?i??不是最大值。

對于roi max pooling，一個輸入節點可能和多個輸出節點相連。設x?i??為輸入層的節點，y?rj??為第r?個候選區域的第j?個輸出節點。

?L?x?i??=Σ?r,j?δ(i,r,j)?L?y?rj???

判決函數δ(i,r,j)?表示i節點是否被候選區域r的第j個節點選為最大值輸出。代價對于x?i??的梯度等于所有相關的后一層梯度之和。

網絡參數訓練

參數初始化

網絡除去末尾部分如下圖，在ImageNet上訓練1000類分類器。結果參數作為相應層的初始化參數。

其余參數隨機初始化。

分層數據

在調優訓練時，每一個mini-batch中首先加入N張完整圖片，而后加入從N張圖片中選取的R個候選框。這R個候選框可以復用N張圖片前5個階段的網絡特征。
實際選擇N=2， R=128。

訓練數據構成

N張完整圖片以50%概率水平翻轉。
R個候選框的構成方式如下：

類別比例方式

前景	25%	與某個真值重疊在[0.5,1]的候選框
背景	75%	與真值重疊的最大值在[0.1,0.5)的候選框

分類與位置調整

數據結構

第五階段的特征輸入到兩個并行的全連層中（稱為multi-task）。

cls_score層用于分類，輸出K+1維數組p?，表示屬于K類和背景的概率。
bbox_prdict層用于調整候選區域位置，輸出4*K維數組t?，表示分別屬于K類時，應該平移縮放的參數。

代價函數

loss_cls層評估分類代價。由真實分類u?對應的概率決定：

L?cls?=?logp?u??

loss_bbox評估檢測框定位代價。比較真實分類對應的預測參數t?u??和真實平移縮放參數為v?的差別：

L?loc?=Σ?4?i=1?g(t?u?i??v?i?)?

g為Smooth L1誤差，對outlier不敏感：

g(x)={0.5x?2?|x|?0.5?|x|<1otherwise??

總代價為兩者加權和，如果分類為背景則不考慮定位代價：

L={L?cls?+λL?loc?L?cls??u為前景u為背景??

存疑：bbox_loss_weights數據塊的作用是？

全連接層提速

分類和位置調整都是通過全連接層(fc)實現的，設前一級數據為x?后一級為y?，全連接層參數為W?，尺寸u×v?。一次前向傳播(forward)即為：

y=Wx?

計算復雜度為u×v?。

將W?進行SVD分解，并用前t個特征值近似：

W=UΣV?T?≈U(:,1:t)?Σ(1:t,1:t)?V(:,1:t)?T??

原來的前向傳播分解成兩步：

y=Wx=U?(Σ?V?T?)?x=U?z?

計算復雜度變為u×t+v×t?。
在實現時，相當于把一個全連接層拆分成兩個，中間以一個低維數據相連。

在github的源碼中，這部分似乎沒有實現。

實驗與結論

實驗過程不再詳述，只記錄結論
- 網絡末端同步訓練的分類和位置調整，提升準確度
- 使用多尺度的圖像金字塔，性能幾乎沒有提高
- 倍增訓練數據，能夠有2%-3%的準確度提升
- 網絡直接輸出各類概率(softmax)，比SVM分類器性能略好
- 更多候選窗不能提升性能

同年作者團隊又推出了Faster RCNN，進一步把檢測速度提高到準實時，可以參看這篇博客。
關于RCNN, Fast RCNN, Faster RCNN這一系列目標檢測算法，可以進一步參考作者在15年ICCV上的講座Training R-CNNs of various velocities。

總結

以上是生活随笔為你收集整理的【目标检测】Fast RCNN算法详解的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。