目标检测-Two Stage-Fast RCNN

---

前言

前文目标检测-Two Stage-SPP Net中提到SPP Net的主要缺点是：

• 分开训练多个模型困难且复杂
• 尽管比RCNN快10-100倍，但仍然很慢
• SPP Net无法更新空间金字塔池化层以下的权重，根本原因是，当每个训练样本来自不同影像时，通过SPP层的反向传播效率很低

Fast RCNN针对上述缺点做了改进

---

提示：以下是本篇文章正文内容，下面内容可供参考

一、Fast RCNN的网络结构和流程

1. 使用Selective Search提取2,000个感兴趣区（RoIs）
2. 预训练CNN模型（VGG）+ 微调（fine-tuning） / 从头开始训练模型
3. 使用CNN网络从整个图像中提取特征图（feature maps）
4. 使用线性模型将RoI在原图的位置映射到卷积层特征图，以获取每个RoI的特征图（feature map）
5. 通过ROI池化层（ROI Pooling Layer）将每个RoI的feature map转化为固定大小

ps：ROI Pooling Layer实质就是单层(7×7) SPP Layer

6. 将经过ROI池化层得到的候选窗口的表示输入全连接网络
7. 将全连接网络输出直接输入神经网络分类器（Linear+softmax）和神经网络回归器（Linear），得到类别和目标框
   
   

二、Fast RCNN的创新点

1.特征提取+分类+回归合一

使用softmax替代SVM分类，同时利用多任务损失函数(multi-task loss)将边框回归（Bounding Box Regression）也加入到了网络中，这样整个的训练过程除去Region Proposal提取阶段外，其余部分是端到端的，使得训练变得简便快捷

Fast R-CNN的multi-task loss为分类交叉熵损失和回归L1损失的加权和

2.更快的训练策略

在Fast RCNN网络训练中，随机梯度下降（SGD）的小批量是被分层采样的，首先采样$N$个图像，然后从每个图像采样$R$个 RoI。关键的是，来自同一图像的RoI在向前和向后传播中共享计算和内存。减小$N$，就减少了小批量的计算。例如，当$N=2$和$R=128$时，得到的训练方案比从128幅不同的图采样一个RoI（即R-CNN和SPPnet的策略）快64倍。

ps：SPP-net是先把所有图像用SS计算的RoIs存起来，再从中每次随机选128个RoIs作为一个batch进行训练，这128个RoIs最坏的情况来自128张不同的图像，那么要对128张图像都送入网络计算其特征，同时内存要把128张图像的各层feature maps都记录下来（反向求导时要用），所以时间和空间上开销都比较大；而Fast R-CNN虽然也是SS计算RoIs，但每次只选2张图像的RoIs(一张图像上约2000个RoIs)，再从中选128个作为一个batch，那么训练时只要计算和存储2张图像的Feature maps，所以时间和内存开销更小

---

总结

尽管相比于RCNN和SPP Net更快更简便，但Fast R-CNN仍是通过手工方法（Selective Search）寻找的候选框，非常耗时。