Object Detection(2):Fast R-CNN

Object Detection(1):R-CNN实践

这篇承接上一篇，FRCN是rbgirshick在R-CNN基础上提出的改进，提出了一些创新式的做法，不仅提升了训练和测试时的速度，而且提升了精度。

SPPnet是Kaiming He提出的一种结构，论文链接在这：https://arxiv.org/abs/1406.4729

可以看出，FRCN不仅在精度上得到了提升，更重要的是，它在测试时比RCNN快了213倍，这让实时处理成为可能(当然faster RCNN基本已经达到了实时的要求)。接下来我们首先分析一下这篇论文：https://arxiv.org/abs/1504.08083

写在解读之前:

通篇阅读下来，实在敬服rbgirshick大神。有理有据，对比实验，实现，思路都十分清晰。尤其是第五部分，对那几个问题的探讨和对比实验，更是让人茅塞顿开。RBG大神的学术态度真是高山仰止！

一.论文解读

1.Introduction

detection有两方面的挑战。第一，大量的候选区域需要被处理;第二，候选区域只能提供大致的定位，所以必须被细调来达到精确的定位。这两个挑战让众多解决方案只能牺牲速度和精度。

RCNN是一个多级的过程，首先提取约2k个候选区域，然后使用log loss微调一个卷积网络，最后，训练SVMs作为检测器。RCNN在测试时很慢（在GPU上大约47s/image），因为每一个候选区域都需要在卷积网络中做一遍前向传播,没有共享计算。

SPPnet改进了这一点，它将整张图片作为输入得到一张特征图，然后再用特征图中提取到的特征向量分类每一个候选区域，但SPPnet同样是一个多级过程。

rbgirshick认为FRCN有以下几个贡献:

1.更高的检测质量(mAP)相比于RCNN和SPPnet

2.使用一个多任务的loss,训练时单级的

3.训练可以更新所有网络层

4.不需要为特征缓存提供磁盘存储

2.Architecture和training

这张图就是FRCN的架构图。一个FRCN网络使用整张图片和候选区域集做为输入，网络首先处理整张图片得到一个卷积特征图，然后，为每个候选区域的ROI(region of interest)池化层从特征图中提取一个固定长度的特征向量，每个特征向量被送入全连接层，最终分成两个兄弟输出层：一个产生softmax概率评估K个物体类别外加一个"背景"类，另一个为每一个物体类输出4个实数值，每个4个值的集合都是K个类别的位置细调的结果。

2.1 ROI pooling layer

ROI池化层是SPP(spatial pyramid pooling)层的特殊情况，