基于深度学习的目标检测方法：fast R-CNN

fast R-CNN

       论文：fast R-CNN

       R-CNN存在的缺点：

       1、R-CNN是multi-stage pipeline。首先利用CNN提取特征，然后利用SVM进行分类，最后利用bounding-box regressors 修正目标框。

       2、训练的时间开销、空间开销比较大。用于SVM、bounding-box regressors的特征需要存储到磁盘中，这将需要占用大量的磁盘空间，而且提取这些特征也会耗费好多时间。

       3、测试的时间开销比较大。提取每张图像的每个region proposal的特征，这将浪费很多时间。关于这个问题，SPP-net提出了解决方法，也就是先提取整张图像的特征图，然后从该特征图中提取各个region
proposal的特征。
       

       SPP-net存在的缺点：

       1、SPP-net也是multi-stage pipeline

       2、SPP-net也需要将特征写入到磁盘中

       3、SPP-net不能微调spatial pyramid pooling layer之前的convolutional layers，这将影响深层网络模型的准确度。

       针对R-CNN、SPP-net存在的缺点，该论文提出了 fast R-CNN，其结构如下图所示。在 fast R-CNN中，1、将最后一个池化层替换为RoI
pooling layer； 2、最后一个全连接层与softmax替换为两个兄弟层，一个是全连接层+softmax，另一个是全连接层+bbox regressor；3、模型的输入为一系列图像以及这些图像的RoIs 。



------------------------------------------------------------------------------------------------------------------------------------------------------  

RoI pooling layer

       该层有两个作用：1、将图像的RoI定位到feature map中对应位置，采用SPP-net中的定位方法； 2、对该RoI对应的特征进行max pooling, 也就是把每个候选区域均匀分成M×N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，再传入到全连接层，这个过程本质上是单层的SPP layer，如下图：



       该层的反向传播过程：

       首先考虑普通max pooling层。设xi为输入层的节点，yj为输出层的节点，则有： 

∂L∂xi={0∂L∂yjδ(i,j)=falseδ(i,j)=true

       其中判决函数δ(i,j)表示i节点是否被j节点选为最大值输出。不被选中有两种可能：xi不在yj范围内，或者xi不是最大值。

       然而，对于roi max pooling，一个输入节点可能和多个输出节点相连。设xi为输入层的节点，yrj为第r个候选区域的第j个输出节点。 


 

∂L∂xi=Σr,jδ(i,r,j)∂L∂yrj

        其中，判决函数δ(i,r,j)表示i节点是否被候选区域r的第j个节点选为最大值输出；代价关于xi的梯度等于所有相关的后一层的梯度之和。

------------------------------------------------------------------------------------------------------------------------------------------------------  

multi-task loss

       Each training RoI is labeled
with a ground-truth class u and
a ground-truth bounding-box regression target v.  
       对于分类loss， softmax层输出K+1维的数组，表示属于K类和背景的概率。分类loss由真实类别u所对应的概率决定，也就是：Lcls=−logpu

       对于回归loss，bbox regressors层输出K个regression offsets(tx,
ty, tw, th) ,
也就是为每一个类别都会训练一个单独的regressor。回归loss也是

由真实类别u所对应的预测参数(tx, ty, tw, th)决定的，这里采用的是smooth
L1误差，即：

 


 


       总的loss计算如下，如果分类为背景，不需要计算回归loss。



------------------------------------------------------------------------------------------------------------------------------------------------------
 

分层数据

     

在调优训练时，每一个mini-batch中，首先加入N张完整图片，然后加入从这N张图片中选取的R个候选框，也就是从每张图片中选取R/N个候选框。 

实际选择N=2， R=128

------------------------------------------------------------------------------------------------------------------------------------------------------  

全连接层加速

      全连接层的计算比较耗时，全连接层参数为W，尺寸为u×v，计算复杂度为u
* v,  该论文中提出了利用Truncated SVD来加速计算，即：

W=UΣVT≈U(:,1:t)⋅Σ(1:t,1:t)⋅V(:,1:t)T

      原来的前向传播分解成两步，计算复杂度变为u×t+v×t： 

y=Wx=U⋅(Σ⋅VT)⋅x=U⋅z
      在实现时，相当于把一个全连接层拆分成两个，中间以一个低维数据相连。