目标检测经典模型（二）--fast rcnn_用fast_r-cnn训练好的模型

SPP-Net：

一张图总结：

改进：

1. 整张图输入CNN得到特征图
2. 特征图不需要缩放，经过金字塔池化（SPP）后直接输入到分类和回归模型中

RoI Pooling：

优缺点：

优点：

• 解决了rcnn的推理慢的问题

缺点：

• 在训练的时候不能更新SPP层的参数
• 继承了RCNN的问题，训练较慢，需要大量的硬盘空间

相比于RCNN的改进：

• Fast RCNN将原始图片输入卷积网络中得到特征图，再使用建议框对特征图提取特征框，大大减少了计算量
• 建议框大小不一，通过ROI池化层将特征框转化为相同大小；
• Fast RCNN里没有SVM分类器和回归器了，分类和预测框的位置通过卷积神经网络输出
• 为了提高计算速度，网络最后使用SVD代替全连接层

算法流程：

1. 输入一张图片，通过Selective Search得到候选建议框；
2. 将原始图片输入到CNN中得到特征图，并且根据建议框，得到候选框在特征图中对应的位置（ROI）；
3. 使用ROI pooling（single-level SPP）将ROI转化成固定大小的$H\times W$的特征图；
4. 将特征图拉长成一个向量（ROI特征向量），通过一个全连接层；
5. 然后经过两个输出，一个是softmax目标分类，另一个是边界框回归（bbox regressor）
   5.1 目标分类：经过softmax函数得到21个类别的得分（概率）；
   5.2 边界框回归：输出$21\times 4=84$个神经元，21个类别，每个类别4个参数；
6. 使用NMS得到少数候选框，选择概率最大的类，作为标注类

PS：使用SVD来进行全连接层计算加速 其实可以认为是将一个大的全连接层换成两个小的全连接层

一张图总结：

详细训练过程：

损失函数：

1. fast RCNN的损失函数是一个多任务损失函数，是目标分类损失和边界框损失的加权和：
   $$L\left(p,u,t^u,v\right)=L_{\mathrm{c}\mathrm{l}\mathrm{s}}(p,u)+\lambda [u\ge 1]L_{\mathrm{l}\mathrm{o}\mathrm{c}}\left(t^u,v\right)$$
   符号解释：
   • $u$：每个ROI在 $K+1$ 个类别上的真值
   • $p=(p_0,p_1,...p_K)$：每个RoI在 $K+1$ 个类别上的离散概率分布
   • $v$：真值边界框的回归参数
   • $t^u=(t_x^u,t_y^u,t_w^u,t_h^u)$：预测边界框的回归参数
   • $\lambda [u\ge 1]$ 判决函数：

λ [ u > = 1 ] = { 1  if  u ≥ 1 0  otherwise  \lambda[u>=1]=\left\{

$$\begin{array}{ll} 1 & \text { if } u \geq 1 \\ 0 & \text { otherwise } \end{array}$$ \right. λ[u>=1]={10​ if u≥1 otherwise ​

2. 目标分类损失：
   $$L_{cls}(p,u)=-log{p}_u$$

3. 边界框回归损失：
   L b o x ( t u , v ) = ∑ i ∈ { x , y , w , h } L 1 s m o o t h ( t i u − v i ) \mathcal{L}_{\mathrm{box}}\left(t^{u}, v\right)=\sum_{i \in\{x, y, w, h\}} L_{1}^{\mathrm{smooth}}\left(t_{i}^{u}-v_{i}\right) Lbox​(tu,v)=i∈{x,y,w,h}∑​L1smooth​(tiu​−vi​)

L 1 s m o o t h ( x ) = { 0.5 x 2  if  ∣ x ∣ < 1 ∣ x ∣ − 0.5  otherwise  L_{1}^{\mathrm{smooth}}(x)=\left\{

$$\begin{array}{ll} 0.5 x^{2} & \text { if }|x|<1 \\ |x|-0.5 & \text { otherwise } \end{array}$$ \right. L1smooth​(x)={0.5x2∣x∣−0.5​ if ∣x∣<1 otherwise ​

4. 回归参数：
   相对平移量：$(t_x^u,t_y^u)$:
   $$t_x^u=(G_x-P_x)/P_w$$
   $$t_y^u=(G_y-P_y)/P_h$$
   尺寸缩放量：$t_w^u,t_h^u$
   $$t_w^u=log(G_w/P_w)$$
   $$t_h^u=log(G_h/P_h)$$

ROI如何进行反向求导：

普通max pooling求导：

前向传播： 即把窗口内的最大值传递给下一层；
反向传播： 把梯度值传递给前一层窗口内最大值对应的 ID（max id）

ROI max pooling求导：

设$x_i$ 为输入层的节点，$y_{rj}$为第$r$个候选区域的第$j$个输出节点。
一个输入节点可能和多个输出节点相关连，所以损失函数$L$对输入节点$x_i$的梯度为$L$对各个有可能的RoI的输出节点$y_{rj}$梯度的累加：
$$\frac{\partial L}{\partial x_i}=\sum _r\sum _j\left[i=i^{\ast }(r,j)\right]\frac{\partial L}{\partial y_{rj}}$$

判决函数$[i=i^{\ast }(r,j)]$：表示$i$节点是否被第$r$个RoI的第$j$个输出节点选为最大值输出