文章目录

一、论文相关信息  1.论文题目  2.论文时间  2.论文文献  3.论文源码 二、论文背景及简介三、知识储备   1、ROI   2、ROI Pooling    ROI Pooling前向传播过程    ROI Pooling反向传播过程 四、test阶段五、train阶段  1、训练样本的采样  2、卷积网络的确定以及fine tuning  3、整个网络Loss的确定  4、SGD参数设置  5、对全连接层的处理（一个加速的优化）(可选） 六、实验结果七、论文细节与思考  1、Scale invariance（尺寸不变性）  2、是不是region proposal越多，训练的越好？ 八、论文不足

一、论文相关信息

  1.论文题目

    Fast R-CNN

  2.论文时间

    2015年

  2.论文文献

     论文文献

  3.论文源码

     暂无

二、论文背景及简介

   RCNN在解决目标检测任务的同时， 也留下了三个问题。

   1. 训练采用multi-stage       RCNN训练步骤很多且繁琐，Fast RCNN使用single-stage training    2. 测试、训练时速度慢       RCNN要对每一个region proposal都要进行卷积，使得训练与测试速度很慢。Fast RCNN通过对整张图片进行卷积并获得region proposal在feature map的相应位置来共享feature map，而且采用大大加快了训练与测试速度    3. 训练所需空间大       RCNN中独立的分类器和回归器需要大量特征作为训练样本。 Fast RCNN通过共用深度学习网络，大大降低了存储压力。    基于VGG16的Fast RCNN算法在训练速度上比RCNN快了将近9倍，比SPPnet快大概3倍；测试速度比RCNN快了213倍，比SPPnet快了10倍。在VOC2012上的mAP在66%左右。

三、知识储备

   1、ROI

     ROI 即 region of interst，就是感兴趣的region proposal

   2、ROI Pooling

     ROI Pooling接受从卷积网络得到的feature map，以及region proposal的位置信息。在feature map上定位到region proposal的feature map，并将其转换成固定大小（超参数）的特征向量。

    ROI Pooling前向传播过程

       每一个RoI都由一个四元组（r,c,h,w）表示，其中（r，c）表示左上角，而（h，w）则代表高度和宽度。这一层使用最大池化（max pooling）将RoI区域转化成固定大小的 H*W 的特征图（H和W是取决于任何特定RoI层的超参数）。        RoI 最大池化通过将 h×w RoI窗口划分为 h / H × w / W个子窗口网格，子窗口大小固定为 H × W ，然后将每个子窗口中的值max pooling到相应的输出网格单元 。        roi_pool层将每个候选区域均匀分成 H × W 块，对每块进行max pooling。将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层。       Rol pooling layer的作用主要有两个：         1.是将image中的rol定位到feature map中对应patch         2.是用一个单层的SPP layer将这个feature map patch下采样为大小固定的feature再传入全连接层。即RoI pooling layer来统一到相同的大小－> (fc)feature vector 即－>提取一个固定维度的特征表示。

    ROI Pooling反向传播过程

四、test阶段

假设该模型为N分类结果，一些细节将会在下文进行介绍

输入一张图片候选框提取：使用selective search方法，获取该图片的ROI特征提取：将整张图片放入卷积网络，得到feature mapROI Pooling：根据feature map 以及 ROI 来进行ROI Pooling 得到固定大小的特征向量分类与回归：将得到的特征向量放入fc层，将得到的feature，分别放入bbox回归分类器以及softmax分数分类器，对bbox的位置信息进行修正，并得到分类信息。

五、train阶段

根据test阶段，我们可以知道Fast RCNN将候选框提取、分类、回归修正都放在了一个网络中，使用一个Loss来对网络进行优化。其训练任务主要有： 1、对卷积网络fine tuning 2、整个网络的训练 下文将会对其原因以及细节进行讲解

  1、训练样本的采样

     利用训练期间的特征共享。在Fast RCNN训练中，随机梯度下降（SGD）小批量计算被分级采样，首先随机取样N张图片，然后每张图片取样 R / N 个RoIs 。关键的是，来自相同图像的RoI在向前和向后传播中共享计算和内存。

  2、卷积网络的确定以及fine tuning

     Fast RCNN使用了VGG作为卷积网络。作者通过实验发现对conv3以后的部分进行fine tuning更好一些。

  3、整个网络Loss的确定

     假设softmax输出的概率向量为p=(p1,p2·····，pn), bbox regression 输出的信息为t=(tx, ty, tw, th)。同时，假设该region proposal的类别为u（若为背景，u=0），ground-trruth 为v。Loss整合了两个分类器，最终形式为 其中     [u>=1] 表示 当u>=1 时 该值为1

注意：在regression的loss中使用了L1 loss, RCNN以及SPP net使用的都是L2 loss，这是因为，作者发现，L1 loss相对于L2 loss，其对异常值的敏感程度较低，有利于regression的训练。

  4、SGD参数设置

     用于Softmax分类和检测框回归的全连接层的权重分别使用具有方差0.01和0.001的零均值高斯分布初始化。偏置初始化为0。所有层的权重学习率为1倍的全局学习率，偏置为2倍的全局学习率，全局学习率为0.001。

  5、对全连接层的处理（一个加速的优化）(可选）

     作者使用奇异值分解(SVD)，将fc层分解成两步。      这种方法加速了训练与测试过程，大概提速30%。仅仅损失了一点点mAP。

六、实验结果

基于VGG16的Fast RCNN算法在训练速度上比RCNN快了将近9倍，比SPPnet快大概3倍；测试速度比RCNN快了213倍，比SPPnet快了10倍。在VOC2012上的mAP在66%左右。

七、论文细节与思考

  1、Scale invariance（尺寸不变性）

     对于输入图片的大小该如何处理？作者发现卷积网络具有很好的Scale invariance，并不需要过多的认为调节，因此multi-scale的方法对模型的提升效果不是很大，但却使得训练时间增加。因此作者直接采用single-scale的方法，直接将图片缩放到固定大小后，放入卷积网络里。

  2、是不是region proposal越多，训练的越好？

     作者通过实验发现并不是这样的，作者从1k到10k做实验，发现mAP先升高一点点，之后便开始下降。蓝色实线便是mAp的曲线

八、论文不足