论文阅读_Fast R-CNN

论文地址：https://arxiv.org/pdf/1504.08083.pdf
代码链接：https://github.com/rbgirshick/fast-rcnn.

《Fast R-CNN》是2015年发表在cs.CV上的一篇论文，Fast R-CNN的全称是Fast Region-based Convolutional Network快速的基于区域的卷积神经网络，它是针对目标检测方法R-CNN的改进，主要加快了模型的训练和预测速度。与R-CNN比较，其训练时速度提升9倍，预测时速度提升213倍，预测一张图片R-CNN需要47s，Fast R-CNN只需0.3s；提高了模型准确率，从R-CNN的62%提升到66%；同时降低了模型复杂度，使用一个end-to-end模型。

为什么训练速度和预测提速不同？上篇翻译R-CNN原理时，提到，训练和预测使用的数据不同，训练时从单张图片中选取32个正例，96个负例，共128张“小图”分别转换成227x227大小，然后提取特征；预测时，从图中选择2000个备选区域，也在转换后提取特征。它们处理图片的数量相差20倍。Fast R-CNN优化了提取图像特征部分，因此提速也几乎相差20倍。

在Fast R-CNN之前，目标识别的主流算法主要是R-CNN和SPPnets。R-CNN是分多阶段训练的模型，它用CNN模型提取区域特征，然后代入SVM分类模型给备选区域分类，最终再代入回归模型调整区域边框；为了将特征提供给分类和回归模型使用，CNN需要将数据存盘，这就需要大量存储空间以及读写操作；另外，在测试阶段，需要对每一个备选区域分别代入CNN网络提取特征，使得预测速度很慢，无法实现实时的目标检测。

SPPnets（Spatial pyramid pooling networks）空间金字塔池化网络，不再对每一个备选区单独计算特征，而是计算整个图像特征，然后通过最大池化的方法从中算出每个备选区的特征，多种输出大小构成了特征金字塔。它对R-CNN的预测有10-100倍提速，对训练也有3倍提速。但也存在一些问题，比如仍然使用多模型管道的方法构建模型，过程数据需要存盘；且并不精调金字塔之前的特征提取网络，限制了模型的精度。

论文中的模型改进了上述问题，它的主要贡献是：

• 提高了目标检测的准确率
• 综合多种损失函数，建立end-to-end模型
• 训练时可更新所有网络层参数
• 不需要把特征存储在磁盘上

构建模型

Fast R-CNN原理图如下：

模型的输入是整张图片以及备选区域的位置（如图中红框），使用之前训练好的深度学习网络（Deep ConvNet如VGG-16）提取特征产生特征表（conv feature map），利用RoI最大池化层（RoI pooling layer）对于每一个感兴趣的区域（RoI：regions of interest）从特征表中提取固定长度的特征向量（feature vector），然后再经过全连接网络（Fcs）最终将处理好的数据传入两个网络，一个分类器（softmax）用于判定区域的类别，另一个回归器用于精调目标区域的边界（bbox regressor）。

RoI池化层

使用RoI池化层RoI pooling layer是其中一个重要方法，下图展示了一张图片中的两个备选区域a和b，可以看到它们的大小形状都不同（支持任意大小的区域），假设将它们分别进行目标是3x3的RoI池化（论文的中池化目标为7x7），如将a1中提取的特征通过最大池化转换到a1’（多合一）。这样无论选区大小，都能提取出等长的feature vector。也可将其看作一种特征金字塔算法，只是这个金字塔只有一层。

预训练网络

文中对于基础网络有三部分修改：第一用RoI池化替代特征网络最后一个池化层，第二将最后的全连接层和用于分类的Softmax层用分类（判别目标区域类别）和回归（精调目标框）两部分替代；第三将输入修改成完整张图片和一系列备选区域。

Fast R-CNN共享了全图特征，在前向和后向传递时共享了内存，不像相对R-CNN对一张图片多次提取特征，减少了复杂度使得反向传递调参变成可能。

损失函数

Fast R-CNN有两种输出，每个备选区属于各类别的概率，以及回归计算出的各备选框位置(x,y,w,h)。对每一个备选区计算以下损失函数：

其中p是属于各个分类的概率，u是类别的ground-truth（真实分类），t是针对各个类别预测的位置，v是备选框位置的ground-truth，损失由两部分组成：分类损失L_cls和回归损失（计算位置）L_loc，其中[u>=1]意思是只对大于等于1的分类区域计算L_loc（一般背景区域类别为0，背景区域没有备选框），λ用于平衡两个损失的权重比例，由于对v做了归一化处理，文中的λ都使用1。

回归损失的具体计算方法如下：

上式中使用的是smooth l1距离：smooth方法在零点附近使用平方函数使函数变得平滑；相对于l2距离，l1在计算距离时对异常值不敏感，避免大的误差导致调参时的巨大波动。

最小采样

Fast R-CNN最小采样有包含两张图片，128个区域，每张图片中包括64个RoI，其中25%正例是与ground-truth区域交集0.5以上的区域，其余为与ground-truth交集0.1-0.5的区域作为背景区域，尽量多地使用“难负例”以加快模型收敛速度。在训练阶段，图像有50%被垂直翻转。

RoI池化的反向传播，通过误差函数对输入Xi的偏导数计算：

其中L是误差函数，xi是RoI池化层的输入特征，yrj是该层的输出，r是备选区域RoI中更小的块（也可理解成点），j是第j个具体的通道（通道用于提取某一种具体特征）, i是R区域内部某一小块的索引号。

更具体一点，再使用刚才的例子：此时只考虑单一的备选区域RoI（R），其中包含r个小块（下例中一共9小块x1~x9），假设通道j用于筛选颜色最深的区域，下图中最深的是右下边被蓝线框出的x9区域，这里i索引值为9，将x9的值作为输出y。

目标检测

目标检测过程与训练阶段略有不同，网络的输入是整张图片和事先计算出的备选坐标，每张图片一般包含2000个备选区域，将每一区域缩放成224x224大小；网络的输出是每个备选区属于各个分类的概率，以及针对于每一个分类精调后的备选框坐标。用估计的概率为每类指定检测的置信度r，最后利用NMS（non-maximum suppression）消除同一类别中冗余的备选框。

在目标检测过程中，卷积层对每张图片只提取一次特征，而每个备选区域，都需要经过全连接层计算，全连接层的计算量和卷积层的计算量各占一半，文中使用SVD分解方法将一个全连接层W分解成两个全连接层，优化了全连接层的计算时间，减少了网络参数。对比效果如下图所示：

模型效果

下图展示了Fast R-CNN与之前模型的效果对比：

Fast R-CNN的速度有明显提升。

与SPPnet不同的是，Fast R-CNN不仅对全连接层调参，也对底层的卷积网络精调参数，对不同层调参效果对比如下：

可以看到调参越多，效果越好。但过深的调参将花费更多时间，需要在时间和精度上选择平衡点，作者认为在较大的网络上conv3_1以上层调参比较合理，在中小型网络上conv2以上比较合理。

其它评估

多任务训练

多任务训练就用同一模型解决一个以上的问题，比如本文中使用同一模型预测目标类别以及精调备选框。它不仅比模型组合更方便使用，且模型在训练过程中还能相互推进。下表展示了测试结果：

第一列只训练了分类器，没有做备选框的精调。

第二列使用多任务训练，但在测试时未使用精调备选框处理，以便与第一列的分类效果对比，可以看到即使只看分类器效果，在大中小三种模型中，多任务训练的mAP也平均高于单任务训练效果0.8-1.1个百分点。

第三列分别训练分类和精调模型，训练精调模型时，分类模型参数被冻住，不相互影响。

第四列是多任务训练最终的效果。

缩放不变性

论文中尝试了两种方法以实现尺度不变性，一种方法是通过蛮力学习，图像在训练和预测阶段都被转换成事先定义的大小，然后代入模型训练，模型在训练过程中学习尺度不变性；另一种方法是图像金字塔方法，在训练过程中抽取不同缩放比例的图片作为数据扩充，在测试阶段，对每个目标区域进行尺度归一化。

下图展示了对比结果：

其结果差别很小，且多尺度计算花费了更多的时间，这可能由于卷积神经网络可以直接学到尺度不变的规律，因此，作者认为使用600像素的图片训练即可。

是否需要更多的训练数据？

DPM类模型在使用几百上千个图片训练后，精度mAP就已经饱合，不再提升。深度学习神经网络则需要更多的数据。文中使用VOC07和VOC12的训练验证集数据，将训练数据量提升到16.5K，训练模型在VOC07测试集中的效果从69.9%提升到70.0%。另外一个实验是使用VOC07的训练验证和测试集加VOC12的训练验证集共21.5k数据，并用更小的学习率和更多的迭代次数训练模型，然后对VOC10和VOC12测试，mAP提升分别为66.1%_{68.8%和65.7%}68.4%。

SVM和Softmax哪个更好？

下图对比了展示效果，可以看到，整体效果差别不大，在使用Fast R-CNN框架的情况下，Softmax略优于SVM。Fast R-CNN只在精调部分加入了Softmax，而SVM是从头训练的分类模型。另外，Fast R-CNN在计算类别得分时引入了类间的竞争。

更多备选区效果是否更好？

目标检测有两种主流方法：使用稀疏的备选框（如选择性搜索）和稠密的备选框，稀疏的备选框使用层叠方法，它拒绝了大部分候选框，只对少部分做评估。这种方法提高了DPM模型和Fast R-CNN的精确度。

文中使用选择性搜索从每张图中选择1000-10000个候选区域进行实验，从图中蓝色实线可以看到，一开始随着备选区域的增加mAP有少量提升，后面随着数据继续增加mAP不升反降。也就是说太多的备选区不但没有帮助，反而可能有害。

上图中也针对稠密备选框做了一些实验，具体请见Dense相关图示。

相关概念

RoIs
regions of interest感兴趣的区域，可以简单地理解成备选框，每个RoI由四个值描述（r,c,h,w），分别是左个角点坐标和区域的宽高。

proposals
候选的目标区域，一般指在图片内部划出的矩形。