【目标检测】FastRCNN算法详解_rcnn中n=2 r=128中的r是什么含义

摘自沈晓璐
有待补充自己的理解.

mask_rcnn详解

继2014的RCNN之后，推出了FastRCNN ,构思精巧，流程更为紧凑，大幅提升了目标检测的速度。
同样使用最大规模的网络，FastRCNN 和RCNN相比，训练时间从84小时减少为9.5小时，测试时间从47秒，减少为0.32秒，在PASCAL VOC 2007上的准确率相差无几，约在66%-67%之间.

1、思想

基础：RCNN

简单来说，RCNN使用以下4步实现目标检测：

• 在图像中确定约1000-2000个候选框
• 对于每个候选框内图像块，使用深度网络提取特征
• 对候选框中提取出的特征，使用分类器判别是否属于一个特定类
• 对于属于某一特征的候选框，用回归器进一步调整其位置

改进：FastRCNN

解决了RCNN的三个问题：

问题一：测试速度慢

原因：RCNN一张图像内候选框之间大量重叠，提取特征操作冗余
解决：本文将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框。

问题二：训练速度慢

原因同上
解决：在训练时，本文先将一张图像送入网络，紧接着送入从这幅图象上提取出的候选区域。这些候选区域的前几层特征（不懂）不需要再重复计算。

问题三：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。
本文把类别判断和位置精调统一用深度网络实现，不再需要额外存储。

特征提取网络

基本结构
图像归一化为224×224直接送入网络
前5阶段是基础的conv + relu + pooling形式，在第五阶段结尾，输入P个候选区域（图像序号×1+几何位置×4，序号用于训练）？

注意：文中给出了大中小三种网络，此处是最大的一种，三种网络基本结构相似，仅Conv+Relu层数有差别，或者增删了norm层

2、roi_pool层的测试（forward）

roi_pool 层将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，送入下一层。

roi_pool 层的训练（backward）

首先考虑普通max pooling层。设$x_i$为输入层的节点，$y_j$为输出层的节点。

其中判决函数$\delta$（i，j）表示i结点是否被j节点选为最大值输出。不被选中有两种可能：
$x_i$不在$y_j$范围内；
$x_i$不是最大值
对于roi max pooling，一个输入节点可能和多个输出节点相连。设$x_i$为输入层的节点，$y_{r_j}$为第r个候选区域的第j个输出节点。


判决函数表示i节点是否被候选区域r的第j个节点选为最大值输出。代价对于$x_i$的梯度等于所有相关的后一层梯度和。

3、 网络参数训练

参数初始化

网络除去末尾部分如下图，在ImageNet上训练1000类分类器，结果参数作为相应层的初始化参数。

其余参数随机初始化。

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，而后加入从N张图片中选取的R个候选框。这R个候选框可以复用N张图片前5个阶段的网络特征。
实际选择N=2，R=128。

训练数据构成

N张完整图片以50%概率水平翻转。
R个候选框的构成方式如下：

4、分类位置与调整

数据结构

第五阶段的特征输入到两个并行的全连层中（称为multi-task）

cls_score层用于分类，输出K+1维数组p,表示属于K类和背景的概率。
bbox_prdict层用于调整候选区域位置，输出4*k维数组t,表示分别属于K类时，应该平移缩放的参数。

代价函数：

loss_cls层评估分类代价。由真实分类u对应的概率决定：$$L_{cls}=-log{p}_u$$
loss_bbox评估检测框定位代价，比较真实分类对应的预测参数$t^u$和真实平移缩放参数为v的差别：$$L_{loc}=\sum _{i=1}^{4}g(t_i^u-v_i)$$
$g$为Smooth L1误差，对outlier不敏感：
g ( x ) = { 0.5 x 2 ∣ x ∣ < 1 ∣ x ∣ − 0.5 o t h e r w i s e g(x) =

$$\begin{cases} 0.5x^2 &|x| < 1 \\ |x| - 0.5 & otherwise \end{cases}$$ g(x)={0.5x2∣x∣−0.5​∣x∣<1otherwise​
总代价为这两者加权和，如果分类为背景则不考虑定位代价：
$$L=\{\begin{array}{ll}{L}_{cls}+\lambda L_{loc}& u为前景\\ L_{cls}& u为背景\end{array}$$

源码中bbox_loss_weight 用于标记每一个bbox是否属于某一个类

5、全连接提速

分类和位置调整都是通过全连接层实现的，设前一级数据为x后一级为y,全连接层参数为W，尺寸为u*v。一次前向传播即为：
$$y=W\ast x$$
计算复杂度为$$u\ast v$$
将W进行SVD分解，并用前t个特征值近似：
$$W=U\Sigma VT\approx U(:,1:t)\cdot \Sigma (1:t,1:t)\cdot V(:,1:t)T$$
原来的前向传播分解成两步：
$$y=Wx=U\cdot (\Sigma \cdot VT)\cdot x=U\cdot z$$
计算复杂度变为$u\times t+v\times t$
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。

6、实验与结论

• 网络末端同步训练的分类和位置调整，提升准确率；
• 使用多尺度的图像金字塔，性能几乎没有提高；
• 倍增训练数据，能够有2%~3%的准确度提升；
• 网络直接输出各类概率（softmax），比SVM分类器性能略好；
• 更多候选窗不能提升性能