论文阅读之Fast RCNN

最新推荐文章于 2020-10-27 19:16:43 发布
原创 最新推荐文章于 2020-10-27 19:16:43 发布 · 417 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

Fast RCNN通过多任务损失函数实现了一体化训练，解决了RCNN的耗时问题。文章介绍了VGGnet结构，ROI pooling层的作用，以及为何使用softmax与regression损失函数。此外，还探讨了网络微调、训练样本采样策略和多任务损失函数的优势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

0 准备

0.0 VGGnet[Simonyan and Zisserman, 2014]

此处输入图片的描述

输入大小为224*224（全连接层要求输入是固定的）

13个卷积层（卷积核为3*3，stride=1，pad=1），3个全连接层（4096-4096-1000）,5个池化层

此处输入图片的描述

最后卷积层的输出是14*14*512，经过池化后的输出为7*7*512=25088

1 思想

1.1 相关工作

RCNN的训练是多级的

  • 微调卷积网络（log loss）
  • 训练SVM代替softmax
  • 边框回归

PS：其实应该是Softmax也可以，只不过SVM的效果更好，那么多级训练的重点在将分类和回归结合起来（原文的边框回归使用的方法不详）

RCNN耗时耗空间

  • 对每一个区域都要计算特征（其实好多区域是重叠的）
  • 要想使用SVM，那么就要把每个区域的特征存储到硬盘上（网络不是一体的）

SPPnet不能更新卷积层

（对SPPnet的具体结构不了解）

从所有图片的所有RoI中均匀取样，这样每个SGD的mini-batch中包含了不同图像中的样本，反向传播需要计算每一个RoI感受野的卷积层梯度，通常所有RoI会覆盖整个图像，这样又慢又耗内存。

1.2 作者的贡献

  • 使用多任务损失函数，一体化训练
  • 使用ROI来共享特征计算

2 结构

此处输入图片的描述

  1. 对整幅图像卷积得到特征（注意没有wrap，可以更好地保存特征）
  2. 候选区域映射到卷积特征图上
  3. ROI pooling得到固定长度的向量
  4. 将向量送入全连接层并计算分类和回归损失

2.1 ROI pooling

此处输入图片的描述

  1. 将候选区域对应的卷积特征图划分成固定的H*W等份
  2. 每一等份做最大池化
  3. 得到H*W长的向量送入全连接层

由VGGnet的结构，实际上向量的长度是c*H*W=512*7*7=25088

一点理解：

7x7表示的是包含了图像的位置和特征（联想提取边缘），512是不同的特征

原来的最大池化是等比例缩小，可以保证尺度不变性。如果对原图缩放，会失去图像的尺度信息，而如果是对特征缩放，效果会更好一点（但是感觉好像是一样的。。。）

所以，怎样可以保持图像的尺度不变显得尤为重要（或许overfeat将网络改成全连接层就是这个思想？）

2.2 多任务损失函数

2.2.1 softmax（log loss）

利用特征可以进行分类（假设是线性）

Q1：特征怎样进行分类
对K个类，经过线性加权（最后的全连接层）得到K+1个分数
我们希望真正的类分数越高越好（用概率来衡量）。
训练的时候要使最后的总得分最高（总概率最大）

注意，现在分类的正确率可以达到一个很高的水平

2.2.2 regression（smooth L1 loss）

Q1：为什么可以根据特征做回归？
根据特征，进行加权得到缩放和平移参数（比如你从特征中知道有人和背景，那么你就可以调整人的位置）

Q2：怎样根据特征做回归

假设有K类
对每一个候选区域，得到一个K*4个回归值t
根据ground truth，得到候选区域的真实回归值v
假设ground truth的类别为u（背景用0表示），计算t和v之间的L1 loss
此处输入图片的描述
其中
此处输入图片的描述

这里使用的是smooth L1 loss，主要是因为smooth L1 loss对异常值不敏感

###2.2.3 multi-task loss

将分类误差和回归误差组合起来，实验使用的lamda=1
此处输入图片的描述

2.2.3 截断SVD优化

此处输入图片的描述

因为测试的时候每次都要计算20488*4096(fc6的矩阵乘法)，计算起来特别耗时间（122ms，卷积层才使用146ms）。所以，对权值矩阵做一个SVD分解（主成分分析），然后取t个分量计算即可（不考虑SVD的时间的话，降到了37ms）

3 训练

3.1 初始化

使用预训练的ImageNet网络

Image ——> Image + ROI
max pooling ——> ROI pooling (2等分变成7等分，输出相同)
FC(4096-1000)+softmax ——> FC+softmax over K+1 categories && FC + BB

3.2 微调

3.2.1 训练样本：

stochastic gradient descent (SGD) mini- batches are sampled hierarchically, first by sampling N images and then by sampling R/N RoIs from each image. Critically, RoIs from the same image share computation and memory in the forward and backward passes.

论文中使用了N =2 and R = 128，缺点是可能收敛比较慢

IOU 的门限使用了 0.5

3.2.2 ROI池化层的后向传播

参考池化层的后向传播，但要考虑一个mini-batch里面ROI是重叠的，所以最后的梯度要累加（太细节不需要考虑）

此处输入图片的描述

4 主要结果

4.1 mAP(mean Accuracy Precision)

AP表示准确率，是指所有检测样本中被正确检测样本的比率
Recision表示召回率，是指所有应该检测的样本被检测出来的概率

*相关不相关
检索到的991
未检索到的595

那么准确率是99/(99+1)=99%，召回率是99/(99+5)

此处输入图片的描述

相比SPPnet，因为微调了卷积层，还有使用了多任务损失函数，所以大约有3%的提升
相比RCNN，因为多任务损失函数，大约有0.9%的提升（提升程度不大）

4.2 训练和测试时间

此处输入图片的描述

只考虑大型网络，Fast-RCNN的时间相当快（ROI，single-stage）,处理一张图片大约花费0.22s

4.3 精调哪一个层？

此处输入图片的描述

一般来说，越靠近输入层，得到的特征越泛化，微调的必要性就不是很大（当然如果数据量大的话微调所有层应该会更好）。

4.4 多任务损失函数好吗？

此处输入图片的描述

多任务损失函数比多阶段的训练结果大约有3%的提升，这个也只是实验证明，并没有充分的解释（也有可能只是作者使用方法的问题）

4.5 Softmax还是SVM？

从结果来看，使用Softmax和SVM的结果相差不大

作者的解释

We note that softmax, unlike one-vs-rest SVMs, introduces competition between classes when scoring a RoI

4.6 更多的候选区好吗？

原文中使用了2k个候选区域和45k个候选区域进行实验，得到结果
此处输入图片的描述

对于召回率来说，更多的区域意味着更多被监测的可能性，所以会增加
但对于准确率，更多的区域带来更大的误检率，所以准确度会下降

5 一些问题

Q1：ROI pooling的现实意义是什么？会影响特征吗？

Q2：原文强调的尺度不变性是什么？

  • Brute force learning：
    采用单一的固定的尺寸大小，让网络自己从数据中学习到尺度不变性
  • Image pyramid：
    输入多尺度的图片
    （论文中采用第一种方法，第二种由于GPU显存的设置，在大型网络上实现不了）

实验结果：
此处输入图片的描述

结论：

采用图像金字塔的方法对准确率提高不大，而图像金字塔的方法十分耗时耗空间 在速度和准确率的权衡上，也许brute force learning 的方法更具实际意义。

RCNN，FastRCNN，FasterRCNN论文
11-01
**RCNN，FastRCNN，FasterRCNN论文解析** 目标检测是计算机视觉领域中的一个核心任务，旨在在图像中定位并识别出不同类别的物体。RCNN（Region-based Convolutional Neural Network）系列算法是该领域的重要里程碑...
【论文翻译】Fast R-CNN论文原文与中文翻译.rar
10-16
《Fast R-CNN：快速的目标检测》 Fast R-CNN是由Ross Girshick在2015年提出的，是目标检测领域的一个里程碑式的工作。它改进了先前的R-CNN（Regions with Convolutional Neural Networks）算法，显著提高了检测速度...
论文阅读+Fast-RCNN
u012197749的博客
04-02 1105
《Fast R-CNN：Fast Region-based Convolutional Networks for object detection》—2015源码：https://github.com/rbgirshick/fast-rcnn这篇论文依据的是RCNN方法，在使用RCNN的过程中遇到了一些问题，所以有了这篇文章。以前看到《基于XX方法的什么》不是很明白在讲什么，现在知道了。这种表述的...
Fast RCNN论文阅读笔记
a2235854410的博客
10-21 244
1.Introduction 1.1 RCNN 和SPPnet RCNN有几个显著的问题：1.训练的时候是多阶段的训练，分别分三个阶段训练卷积层、SVM、边框回归矩阵。2.训练很耗时。3.目标定位非常慢。它慢主要是因为它没有共享计算，而SPPnet通过共享计算比RCNN快了很多，SPPnet对整张图片做一次卷积提取特征，对比RCNN对每个区域提案单独卷积就快了很多。但是SPPnet也有不足的地方，它和RCNN一样是多阶段训练，并且它的微调无法更新前面的网络。 1.2 fast RCNN的贡献 四个.
《Fast R-CNN》论文阅读之Fast R-CNN
Gavinmiaoc的博客
06-15 1232
Fast R-CNNRoss Girshick Microsoft Research rbg@microsoft.compaper:Fast R-CNN导读Fast R-CNN在SPPNet的基础再跟进，进一步提升速度和准确率，提出了RoI层代替SPP层，实现了整个物体检测模型大部分网络的end-to-end，下面就来好好学习一下。老套路，现回顾一下： R-CNN ,SPP-netR-CNN和SP...
Faster RCNN论文阅读
a2235854410的博客
10-27 250
引言 当前最先进的目标检测模型是由区域提案方法和基于区域的卷积神经网络引领的，由于共享计算，卷积网络花费的时间已经大大减小了，所以当前检测系统的瓶颈就是如何减小区域提案生成部分的花费时间。当前流行的区域提案方法之一SS就挺慢的，EdgeBoxes在提案生成的时候也很慢。 作者观察到用来生成特征图的基于区域的检测器（如fast RCNN）同样可以用于生成区域提案，于是作者提出使用一个深度卷积神经网络来计算提案，计算速度快到可以忽略，作者将这个用来计算提案的卷积网络叫做RPNs。它可以和后面的网络共享卷积层，
Fast-RCNN-阅读理解-笔记
tuzixini的博客
12-08 371
论文:Fast R-CNN翻译:http://blog.youkuaiyun.com/qq_14839543/article/details/54425051 (这个翻译不是很好呢)理解参考:http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51036677 http://blog.youkuaiyun.com/u011534057/article/detail
Fast R-CNN_RCNN_FastRCNN实现_faster-rcnn_CNN_fasterRCNN_
10-02
**Fast R-CNN、RCNN与Faster R-CNN：深度学习目标检测技术解析** 在计算机视觉领域，目标检测是一项核心任务，它涉及到识别...阅读《Fast R-CNN》的论文将深入理解这些概念和技术，为研究或应用提供宝贵的理论支持。
RCNN-FastRCNN-FasterRCNN-MaskRCNN-TensorMask论文
03-30
RCNN-FastRCNN-FasterRCNN-MaskRCNN-TensorMask论文打包 2014 Rich feature hierarchies for accurate object detection and semantic segmentation 2015 Fast R-CNN 2016 Faster R-CNN: Towards Real-Time Object ...
Rcnn，FastRcnn, FasterRcnn
11-25
"Rcnn，FastRcnn, FasterRcnn"这三篇论文代表了这一领域的重大进步，它们分别由Ross Girshick、Shaoqing Ren和Kaiming He等人提出，对卷积神经网络（CNN）在物体检测上的应用进行了革命性的改进。 首先，R-CNN...
Fast R-CNN 论文阅读
debug_moner的专栏
03-29 2167
Fast R-CNN 论文阅读 0.简介 R-CNN算法很大程度上提高了detection的效果，本文在R-CNN的基础上进行改进，在训练预测速度上有较大提升的同时也带了精度的提升。具体的： -借鉴并改进了SPPNet的共享卷积层计算思想，提出了ROI pooling，这样做可以在精修的时候对卷积的部分也进行参数的调整，也带来了最终结果的提升。 - 将SVM分类器换成softma...
fast RCNN论文翻译
qq_41106162的博客
05-13 666
https://blog.youkuaiyun.com/qq_14839543/article/details/54425051
读DL论文心得之Fast RCNN
Leo的博客
03-16 5373
这篇论文是Ross Girshick等准备发表在ICCV 2015上面的Fast R-CNN。本篇论文也开源了（代码在此）。它是在R-CNN和SPPnet这一个系列的进阶版，相比起R-CNN，FRCN的训练阶段要快9倍，测试阶段要快213倍，相比起SPPnet，FRCN的训练阶段要快3倍，测试阶段要快10倍，并且准确率也有一定提高。首先看看R-CNN和SPPnet的不足之处。 drawbac
Fast R-CNN论文解读
h__ang的博客
04-09 1万+
论文链接：https://arxiv.org/abs/1504.08083 代码链接：https://github.com/rbgirshick/fast-rcnn. Abstract 这篇论文提出了一种基于卷积神经网络做目标检测的算法——Fast R-CNN，它是建立在之前R-CNN的基础上使用深度卷积神经网络进行高效的目标检测。Fast R-CNN做了几点创新来提高训练和测试阶段的速度，同时提...
目标检测之 Fast R-CNN
热门推荐
鹊踏枝-码农的专栏
07-13 2万+
论文地址：Fast R-CNN代码地址：rbgirshick/fast-rcnnFast R-CNN是在R-CNN的基础上进行的改进，大致框架是一致的。总体而言，Fast R-CNN相对于R-CNN而言，主要提出了三个改进策略：1. 提出了RoIPooling，避免了对提取的region proposals进行缩放到224x224，然后经过pre-trained CNN进行检测的步骤，加速了整个网...
基于SVM算法的人民币面值识别系统：从图像处理到机器学习模型的实现与应用 · 数字图像处理
08-11
基于支持向量机(SVM)的人民币面值识别系统的设计与实现。该系统利用MATLAB GUI工具，结合数字图像处理技术和机器学习模型，能够高效识别多种面值的人民币。主要步骤包括数据集准备、图像灰度化、边缘检测、旋转矫正、形态学操作、ROI截取、加载SVM模型、面值识别及结果验证。系统目前可识别1元至100元面值，正确率达到90%以上，并可通过扩展训练数据集来提升识别精度和覆盖更多面值。 适合人群：从事图像处理、机器学习研究的技术人员，以及对人民币面值识别感兴趣的开发者。 使用场景及目标：适用于银行、自助设备、零售终端等需要快速准确识别人民币面值的场合。目标是提供一种高效、准确、易用的人民币面值识别解决方案。 其他说明：该系统不仅展示了SVM在图像分类任务中的强大能力，还通过MATLAB GUI实现了操作流程的可视化，便于用户理解和使用。未来可以通过优化算法和增加训练样本进一步提升系统性能。
ctkqiang-WangZhongZhi-62936-1753627160067.zip
08-11
点sun小白ctkqiang_WangZhongZhi_62936_1753627160067.zip
LabVIEW调用基恩士XGX8500相机实现高效画面嵌入的开源方案 权威版
08-11
如何使用LabVIEW调用基恩士XGX8500相机实现画面嵌入的技术方案。首先，文中强调了准备工作的重要性，包括安装LabVIEW及其相关驱动和SDK，获取基恩士XGX8500相机的接口文档。接着，阐述了通过调用基恩士提供的API控制相机的具体步骤，如初始化相机、设置参数、开启预览流、获取画面数据等。然后，讲解了如何将获取的画面数据嵌入到LabVIEW的程序中，通过图形界面设计使相机画面合理显示。最后，指出该方案不仅能够节省昂贵的HX软件授权费用，还因其源程序和方法的开放性，为用户提供更多定制化的可能。 适合人群：从事工业自动化、机器视觉领域的工程师和技术人员。 使用场景及目标：适用于需要集成高质量图像采集设备的工业生产和检测系统，旨在提升自动化水平和视觉信息丰富度，降低软件授权成本。 其他说明：文中附有简单代码片段，帮助读者更好地理解和实践该方案。
PANDA 真空泵 WV 1200 A、WV 1800 A 和 WV 2400 A 使用说明书.pdf
最新发布
08-11
PANDA 真空泵 WV 1200 A、WV 1800 A 和 WV 2400 A 使用说明书.pdf
fast rcnn原论文
03-31
<think>好的，我需要帮用户找到Fast R-CNN的原始论文下载链接。首先，用户引用了Mask R-CNN的相关资料，但问题转向了Fast R-CNN，这可能存在混淆。我需要确认用户是否需要Fast R-CNN而不是Mask R-CNN。不过，用户明确询问Fast R-CNN的原始论文，所以我应该直接回应这个请求。 接下来，我应该回忆Fast R-CNN的基本信息。Fast R-CNN由Ross Girshick在2015年提出，是R-CNN系列的重要改进，减少了计算冗余，提高了检测速度。正确的论文标题是《Fast R-CNN》，作者是Ross Girshick，发表在ICCV 2015。 然后，我需要提供论文的获取途径。首先推荐官方渠道，如IEEE Xplore或CVF Open Access，因为这些是可信的来源。用户可能无法访问学术数据库，所以需要给出具体的链接，比如CVF的开放获取页面，ICCV 2015的会议论文集。此外，还可以建议通过Google Scholar搜索标题和作者，或者作者的个人网站，比如Ross Girshick可能在微软的研究页面上发布论文。 同时，必须注意版权问题，不能提供直接下载链接，尤其是非法的。要强调尊重版权，建议用户通过合法途径获取。如果有开放获取的版本，如arXiv预印本，也可以提及。不过Fast R-CNN可能主要发表在会议论文集，而会议论文有时会在作者页面或机构页面上提供预印本。 检查用户提供的引用，发现引用了Mask R-CNN的资料，但用户的问题是关于Fast R-CNN，因此需要明确区分两者，避免混淆。确保提供的论文信息准确无误，避免误导用户。 最后，总结获取途径，并提醒用户注意引用规范。可能还需要生成相关问题，但用户的问题中已经包含了相关部分，所以按照指示生成问题即可，如询问Fast R-CNN的改进、与后续模型的区别等。</think>### Fast R-CNN原始论文获取途径 Fast R-CNN的原始论文为**《Fast R-CNN》**，由Ross Girshick于2015年发表，是目标检测领域的经典工作。以下是获取论文的合法途径： 1. **IEEE Xplore或CVF官网** 论文发表在ICCV 2015会议，可通过IEEE Xplore或[CVF Open Access](https://openaccess.thecvf.com/content_iccv_2015/html/Girshick_Fast_R-CNN_ICCV_2015_paper.html)获取。直接访问链接： [Fast R-CNN (CVF Open Access)](https://openaccess.thecvf.com/content_iccv_2015/html/Girshick_Fast_R-CNN_ICCV_2015_paper.html) [^3] 2. **Google Scholar搜索** 在[Google Scholar](https://scholar.google.com)中输入标题**"Fast R-CNN"**和作者**Ross Girshick**，可找到PDF版本。 3. **作者个人页面** Ross Girshick的个人页面（如微软研究院）可能提供论文下载，例如： [Ross Girshick's Publications](https://www.rossgirshick.info/) --- ### 注意事项 - **版权问题**：确保通过学术平台或作者提供的合法渠道下载，避免侵权。 - **引用格式**：若用于研究，需按规范引用，例如： ```bibtex @inproceedings{girshick2015fast, title={Fast R-CNN}, author={Girshick, Ross}, booktitle={Proceedings of the IEEE International Conference on Computer Vision}, pages={1440--1448}, year={2015} } ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值