Fast-RCNN的改进_faster rcnn改进

1. 回顾RCNN与SPP-Net模型

要了解Fast-RCNN的改进，首先要了解RCNN与SPP-Net的网络模型，其主要结构如下图所示：

RCNN流程主要是SS提取Region proposals，然后Crop/wap到归一化尺寸，输入到CNN进行训练，提取特征向量。最后将CNN提取的特征向量输入到SVM中进行分类，得到Region Proposals的labels。由于Region Proposals的Bounding Box与Ground Truth存在偏差，可能导致最终识别不准确，因此作者加入了一个BBox Regression，它的作用主要是微调Bounding Box的框，使得其尽可能与Ground Truth吻合。

SPP-Net流程与RCNN最大的区别是用整图训练CNN，这样就避免了RCNN存在的重复训练问题。首先对原始图片同时进行两个操作，一个是将整图输入到CNN进行训练，一个是利用SS提取若干Region Proposals，Region Proposals的信息在CNN上不使用，就只是保存着。在整图CNN训练结束以后，Conv5可以获得一个全图的特征图。这时候利用原图与特征图的映射（主要通过感受野实现），获取每个Region Proposals的特征图。后面就和RCNN类似，SVM对fc输出的特征向量进行分类，然后用BBox回归。

由于fc的输入需要是一个固定的尺寸，而Region Proposals的特征图的尺寸与Region Proposals的本身大小有关，所以不可能一致，对特征图也不存在Crop/Wrap方式来归一化，那么该怎么办呢？SPP-Net利用了图像金字塔原理，利用几种核将特征图归一化为固定尺寸。

2. RCNN与SPP-Net存在的缺点

（1）RCNN和SPP-Net训练的时候，pipeline是隔离的，他要首先提取Region Proposals，然后输入CNN训练，训练完成以后再输入SVM训练，最后还要再做一个BBox Regression。一个网络模型分了好几个单独的步骤。而FRCN将SVM和BBox Regression都做进了CNN，实现了end-to-end的joint training。

（2）RCNN和SPP-Net的训练的时间和空间开销比较大，RCNN由于是CNN与SVM分开的，因此在CNN训练结束之后，需要大量的磁盘空间来存储训练得到的Region Proposals的特征，时间方面，RCNN需要对每一个Region Proposals做CNN，时间开销大。在FRCN中，利用image-centric的训练方式通过卷积的share特性来降低运算开销，同时，由于它是一个end to end的训练方式，去掉了SVM这一步，所以所有的特征都暂存在显存中，不需要额外的磁盘开销。

（3）RCNN测试的时间开销大，RCNN测试时，需要先对原图做SS提取~2k张Region Proposals 。然后针对每个Region Proposals还要训练，开销很大。SPP-Net对此已有改进，FRCN中进一步通过single scale testing和SVD分解全连接来提速。其中single scale testing指的是在ROI中不再利用多尺度的图像金字塔，而是一个固定的模板，不存在尺度的缩放。

3. FRCN的网络模型

FRCN和SPP-Net一样，对原图主要有两个操作，一个是对原图使用SS提取~2k个Region Proposals，另一个是将原图输入到CNN网络中，进行训练，在Conv5得到原图的特征图后，利用Region Proposals和特征图的对应关系，获得Region Proposals的特征图，然后利用ROI对将特征图归一化，这边ROI是SPP-Net中的SPP层的特殊化。然后在FC层就可以得到归一化的特征向量。然后将其分别输入到BBox回归和Softmax分类中。

4. FRCN的贡献：

 （1）实现大部分end-to-end训练(提proposal阶段除外)： 所有的特征都暂存在显存中，就不需要额外的磁盘空间。joint training （SVM分类，bbox回归 联合起来在CNN阶段训练）把最后一层的Softmax换成两个，一个是对区域的分类Softmax（包括背景），另一个是对bounding box的微调。这个网络有两个输入，一个是整张图片，另一个是候选proposals算法产生的可能proposals的坐标。（对于SVM和Softmax，论文在SVM和Softmax的对比实验中说明，SVM的优势并不明显，故直接用Softmax将整个网络整合训练更好。对于联合训练： 同时利用了分类的监督信息和回归的监督信息，使得网络训练的更加鲁棒，效果更好。这两种信息是可以有效联合的。）

（2）提出了一个RoI层，算是SPP的变种，SPP是pooling成多个固定尺度，RoI只pooling到单个固定的尺度 （论文通过实验得到的结论是多尺度学习能提高一点点mAP，不过计算量成倍的增加，故单尺度训练的效果更好。）

（3）指出SPP-net训练时的不足之处，并提出新的训练方式，就是把同张图片的Proposals作为一批进行学习，而proposals的坐标直接映射到conv5层上，这样相当于一个batch一张图片的所以训练样本只卷积了一次。文章提出他们通过这样的训练方式或许存在不收敛的情况，不过实验发现，这种情况并没有发生。这样加快了训练速度。 （实际训练时，一个batch训练两张图片，每张图片训练64个RoIs（Region of Interest））。