论文原文

链接：Fast R-CNN

• RCNN通过卷积神经网络提取图像特征，第一次将目标检测引入了深度学习领域。

• SPPNet通过空间金字塔池化，避免了对于同一幅图片多次提取特征的时间花费。

• 但是无论是RCNN还是SPPNet，其训练都是多阶段的。

  • 首先通过ImageNet预训练网络模型，
  • 然后通过检测数据集微调模型提取每个区域候选的特征，
  • 之后通过SVM分类每个区域候选的种类，
  • 最后通过区域回归，精细化每个区域的具体位置。

• 为了避免多阶段训练，同时在单阶段训练中提升识别准确率，Fast RCNN提出了多任务目标函数，将SVM分类以及区域回归的部分纳入了卷积神经网络中。

摘要

论文提出了一种快速的基于区域的卷积网络方法（fast R-CNN）用于目标检测。Fast R-CNN建立在以前使用的深卷积网络有效地分类目标的成果上。相比于之前的成果，Fast R-CNN采用了多项创新提高训练和测试速度来提高检测精度。Fast R-CNN训练非常深的VGG16网络比R-CNN快9倍，测试时间快213倍，并在PASCAL VOC上得到更高的精度。与SPPnet相比，fast R-CNN训练VGG16网络比他快3倍，测试速度快10倍，并且更准确。

Fast RCNN介绍

• 结合SPP-Net改进RCNN
  • ROI Pooling：单层SPP-Net
• 多任务网络同时解决分类和位置回归
  • 共享卷积特征
• 为Faster RCNN的提出打下基础，提供了可能。

网络结构

ROI池化层

• 池化层的一种
• 目的就是为了将proposal抠出来的图像，然后resize到统一的尺寸。
• 操作流程如下：
  1. 根据输入的image，将ROI映射到feature map对应的位置
  2. 将映射后的区域划分为相同大小的sections（sections数量和输出的维度相同）
  3. 对每个sections进行max pooling的操作。

工作流程

• 输入：输入包括一张图片(224*244)和object proposal的集合(2000个)，应该还是采用selective search来提取的。
• 卷积层：图片经过多个conv layer和max pooling layer得到整张图的feature map。
• RoI pooling layer：这层是借鉴SPPnet的SPP layer层，输入feature map和object proposal，然后为每个object proposal来提取在feature map上对应的特征，并使得输出都具有相同的size。
• 全连接层：将提取的特征输入两个全连接层(4096)，把前边提取的特征综合起来
• 输出：Fast R-CNN的输出包括两部分：
  • 一个是经过FC layer(21个node)+softmax输出的，主要是对object proposal进行分类的，一共包括21类，即20类物体加上1个背景类。这个就取代了之前的SVM分类器。
  • 另一个是经过FC layer(84个node)+bbox regressor输出的，这个就是为21个类各输出4个值(21*4=84)，而这4个值代表着精修的bounding box position。

总结

【优点】

1. 比R-CNN和SPPnet具有更高的目标检测精度（mAP）。
2. 训练是使用多任务损失的单阶段训练。
3. 训练可以更新所有网络层参数。
4. 不需要磁盘空间缓存特征。

【缺点】

• 虽然速度变得更快的，但是还是存在瓶颈：选择性搜索，在找出所有的候选框十分耗时间。