目录
[TOC]
前面我们介绍了RCNN和SPP-Net，这次来介绍一下Fast R-CNN。
论文地址：https://arxiv.org/abs/1504.08083
代码：https://github.com/rbgirshick/fast-rcnn
摘要：
R-CNN和SPP-net存在的问题
训练过程pipeline 比较麻烦：R-CNN 和 SPP-net 的训练分为多个步骤，较为繁琐
• 1. 对网络进行微调
- R-CNN对整个CNN进行fine tuning
- SPP-net只对SPP之后的(全连接)层进行fine tuning(这个也限制了其准确度的提高)
• 2. 针对每个类别训练SVM，替代softmax
• 3. 训练bounding-box回归模型
训练过程耗费时间和内存空间
1.需要用CNN提取所有训练样本的特征
2.在训练SVM和回归的时候都需要用CNN提取的特征作为输入，特征需要写入磁盘上，时间开销大
“With Very Deep Networks, Such As Vgg16, This Process Takes 2.5 Gpu-Days For The 5k Images Of The Voc07 Trainval Set. These Features Require Hundreds Of Gigabytes Of Storage.”
目标检测比较慢
尤其是 R-CNN，在测试阶段，需要对每张测试图片的每个目标候选区域都进行卷积操作,操作重复了很多，比较耗时。基于 VGG16 的R-CNN 算法 在单 GPU 上检测一张图需要47s。
主要贡献
提出了一种新的训练算法来解决 R-CNN 和 SPPnet 的缺陷，同时提高了它们的速度和准确性。作者将这种方法为 Fast R-CNN，因为它训练和测试相对较快。Fast R-CNN 方法有以下几个优点：
1. 比 R-CNN，SPPnet 更高的检测质量（mAP）。
2. 训练是单阶段的，使用多任务 loss。
3. 可以在训练时更新所有网络层。
4. 不需要磁盘存储特征。Fast R-CNN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。
解决办法
保留 SPP-net 的优势 : 简化 SPP 为单尺度: RoI pooling
SPP-net中spp layer我们采用的是多尺度SPP,如果使用单尺度，则变成了本文的ROI pooling。RoI pooling 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统一维度的特征向量，送入下一层。
引入多任务学习,将多个步骤整合到一个网络模型中
在R-CNN算法中，首先生成大量候选区域，然后再通过 CNN 提取特征，之后再用 SVM 进行分类，最后再做边框回归校准。而在Fast R-CNN中，把最后的边框回归也放进了深度神经网络，与候选区域分类合并成为了一个多任务模型。
边框回归:使用Smooth L1 Loss
R-CNN 和 SPP-net 使用的是 L2 loss。
使用Truncated SVD进行全连接层加速
对于图像分类，与conv层相比，计算全连接层所花费的时间相对较少。 相反，为了检测，要处理的RoI的数量很大，并且将近一半的前向传播时间用于全连接层的计算。如图。因此，采用了SVD进行简化全连接层运算。
算法图解
训练阶段
测试阶段
结果
- 在V1. OC07, 2010, and 2012 上都达到了论文发表时(2015年)的 State-of-the-art mAP。
- 比起 R-CNN, SPPnet 训练更快，测试也更快。
- 在VGG16模型上能微调卷积层，提高了检测精度。
4.证明了多任务(multi-task)训练的有效性。
总结
Fast R-CNN继承了spp-net的优点，引入ROI Pooling,不用对每个候选区进行卷积，只需对整张图片进行卷积，其次，将分类和回归放在一起,进行multi-task 的训练，简化了训练步骤，是个很大的创新。当然，Fast R-CNN 依然值得改进，因为目标检测中大量的时间消耗在seletive search提取候选区域的过程中。后续Faster R-CNN将重点解决这个问题。
参考文献
https://arxiv.org/abs/1504.08083
https://blog.csdn.net/u014380165/article/details/72851319
http://www.robots.ox.ac.uk/~tvg/publications/talks/fast-rcnn-slides.pdf
笔者目前主要从事自动驾驶研发工作，本公众号主要关注机器人和自动驾驶方向的技术以及最新进展，闲暇时也和大家聊聊读书、生活以及最新的电子科技产品，希望大家喜欢，共同进步！
