关于Faster R-CNN的一切——笔记2：Fast R-CNN

博主课题需要研究Faster RCNN，先后看了RCNN、Fast RCNN和Faster RCNN三篇paper，然而有点懵逼= =所以准备再捋一遍总结一下~

关于Faster R-CNN的一切——笔记1：R-CNN

关于Faster R-CNN的一切——笔记3：Faster R-CNN

二、Fast R-CNN【Fast R-CNN.2015 ICCV】

首先RCNN为什么慢呢？因为它对每个region proposal都用CNN提特征，没有共享计算过程。所以SPPnets（Spatial Pyramid Pooling）想到要通过共享计算来加速R-CNN，它是对整幅图像计算一个convolutional feature map，然后从这个feature map中提取每个region proposal对应的特征向量（所以一张图只需要用CNN计算一次呀，可不就加速了么~），问题的关键怎么从这个feature map里提取一个原图上某个位置的region proposal对应的特征向量呢？：把feature map中在这个region内的部分max-pooling成固定大小的输出，例如6*6，多选择几个输出的大小，比如6*6、8*8、10*10，然后把这些输出级联。

然而SPPnet也存在着训练多阶段的问题，所以研究Fast RCNN。

1.什么结构

网络输入是一张整图和其对应的region proposals（也是用selective search生成好的）

↓

用一个Deep CNN网络处理整张图，输出一个conv feature map

↓

对每个region proposal，用一个region of interest层从conv feature map中提取一个固定大小的feature map

↓

这个feature map经过两个FC层映射为一个特征向量

↓

然后这个定长的特征向量被同时送入两个并列的FC层：一个FC层输出K个物体类和1个背景类的softmax probability，另一个FC输出K个物体类的refined了的bounding box坐标。

• Region of interest层(RoI pooling layer)

         RoI层要做两件事：一是原image中的region proposal怎么在conv feature map上找到它的对应位置呢？二是要把这个region proposal对应的conv feature map中的特征用max-pooling转换成一个固定大小H×W的feature map。

        

         第一个问题：首先要明确，conv feature map的大小和原image是不一样的（比如VGG16，conv feature map可是14*14*512，原图227*227*3），所以肯定得有一个projection。由于原图生成conv feature map的过程是一系列卷积、下采样的操作，其中卷积主要是步长控制了输出大小。假设（x,y）是原图坐标，（xx,yy）是conv feature map坐标，S是CNN卷积操作中所有stride的乘积，给出映射公式如下：

（x,y） = （S*xx,S*yy）

反过来由原图求conv feature map坐标：xx = x/S+1，yy = y/S+1

         第二个问题：假设输入的feature RoI【也就是一个region proposal在conv feature map上对应的region】大小是h w，希望生成固定大小的H*W的feature map。那么将feature RoI分成大小为（h/H）*（w/W）的一共H*W个子窗口，每个子窗口进行传统的max-pooling操作得到一个值【每个通道单独操作哒，所以输出通道数不变，和传统max-pooling一样一样的~】，所以就有H*W个输出啦~

• Multi-task Loss

         注意到最后有两个并列的FC层，一个完成分类任务，输出K个物体类和1个背景类的softmax probability：p = (p0,p1,...,pK)；一个完成回归任务，输出K个物体类的refined了的bounding box坐标：比如第k类输出tk = (tkx,tky,tkw,tkh)。所以如何定义网络的loss function呢？【直接粘贴原文公式了，挺好懂不多说】：

      

其中p表示一个region proposal在softmax输出的离散概率分布；u是这个region proposal的class标签；t是region proposal经过网络refined的bounding box；v是这热region Proposal的ground truth bounding box。回归时的loss是;

2.怎么训练

• 预训练

        

         本文用了三种预训练的ImageNet网络来初始化Fast R-CNN，每个都是有5个pooling层和5到13个卷积层。需要做的网络结构变化是：

         （1）最后一个max-pooling层替换成RoI pooling层，H和W要设置成网络第一个FC层要求的输入大小（例如VGG16就是7*7）。

         （2）网络的最后一个FC层和softmax替换成上面所说的两个并列的FC层（FC+softmax和FC+bbox regressor）。

         （3）网络的输入修改成一系列image以及对应的一系列region proposals。

• Fine-tuning

         随机梯度下降的mini-batch是层次化采样的：首先随机采样N=2张images，然后从每张图采样128/2=64个region proposals，因此就可以使得从同一张图片上采样的region proposals可以在前向和反向传播中共享计算。【你想，R-CNN和SPPnet的region proposal都不是来自同一张图的，那么每个region的conv feature map的计算就不能共享了！】。64个region proposals中有25%来自与ground-truth的IoU大于等于0.5的样本（R-CNN时正样本啦，label是1-K~），其余的是IoU在[0.1,0.5]之间的样本（label是0）。小于0.1的直觉上作为hard example mining了。

         还有个问题是RoI pooling layer的反向传播怎么整？公式在此：

         小解释一下：xi是第i个输入，yrj是第r个feature RoI的第j个输出。对每个mini-batch里的第r个region proposal，和每个pooling输出单元yrj，当i是为yrj所选的max-pooling的输出时，loss对yrj的偏导数累加，否则不加。而在反向传播时，loss对yrj的偏导数是从上一层传过来的。下面博主在纸上写一下解释下，这里有点绕：

   

         最后是新加的那些层的参数怎么初始化：最后的两个并列的FC层从均值0，标准差分别为0.01和0.001的高斯分布初始化。

   

3.怎么测试

测试就简单啦~对于一张测试image，先运行selective search生成2000个region proposal，然后把image和它的region proposal输入Fast R-CNN网络；对每个测试region proposal，网络的前向传播会输出一个类别后验概率分布p和一系列预测的bounding box相对于该region proposal位置的偏移量坐标；然后根据概率p对每一类的bounding box进行非极大值抑制。

4.存在问题

• 依赖于region proposal算法，所以后续考虑能不能同时具备region proposal network，这就引出了我们的大主角：Faster R-CNN，见下一篇博文分解~

--The End of Fast R-CNN--