目标检测4——Fast R-CNN（ROI Pooling、SVD、Multi-task Loss等新特性实现端到端的训练并显著提升训练和推理的速度）

目标检测1——二阶段目标检测概述
目标检测2——R-CNN（将CNN网络应用在目标检测领域的开山之作）
目标检测3——SPPNet（空间金字塔池化可以接收任何尺度的图像）

一、基本介绍

• ICCV-2015：Fast R-CNN
• Fast R-CNN 是在 R-CNN 的基础上融入了 SPPNet 网络优点之后的一个改进网络
• Fast R-CNN的优势：
  • 实现了端到端的单阶段模型训练（R-CNN 需要分别训练CNN网络，多个 SVM分类器，BB回归器）
    • 所有层的参数都可以 fine-tune 重训练
    • 不需要离线存储特征文件
    • 使用 Softmax 替换 SVM 分类器
  • 兼容任意尺寸图像 （ROI Pooling）
  • 采用奇异值分解 SVD 简化 FC 全连接层的计算量
  • 多任务损失函数 （Muti-task Loss）
  • 训练/预测运行速度更快
  • mAP评估指标更高
• Fast R-CNN的主要问题：使用SS产生候选区域块ROI区域在整个检测过程中耗时太长（SS候选框获取2~3s，特征分类0.3s），这个问题会将后续的 Faster R-CNN 中解决
• 基于VGG16的Fast RCNN模型在训练速度上比R-CNN快大约9倍，比SPPnet快大约3倍；测试速度比R-CNN快大约213倍，比SPPnet快大约10倍，在VOC2012数据集上的mAP大约为66%
  

二、Fast R-CNN的主要改进

1. ROI Pooling

• ROIS 是指 Selective Search 完成后得到的所有“候选框”在特征图上的映射
• ROI（单层）就是对 SPP（三层）的简化
• 其思路如下：
  • 将 Region Proposal 划分成 H×W 大小的网格
  • 对每个网络做 Max Pooling
  • 这样就形成固定大小为 H×W 的 Feature Map

2. SVD 改进全连接层

3. Muti-task Loss

• ground truth class u and ground truth bounding box v
• $L_{cls}?分类损失、L_{loc}?定位损失$
• 分类损失是 log 损失 （即对真实分类的概率取负log）$L_{cls}=?log{p}_u$
• 定位损失是 smooth L1 损失
• 为了确保只有在需要定义 bounding box 时才计算定位损失
  • u=0 时候选框为背景/负例
  • u≥1 时后候选框对应的类别值/正例

三、整体思路

1. 训练整体架构

2. 测试整体架构

Fast R-CNN相关思考题

1. 为什么这里可以使用Softmax替换SVM分类器？

2. 如何处理尺度不变性问题？

• single scale
• multi-scale
  

五、参考资料

• Fast R-CNN
• Fast R-CNN（理解）
• Fast R-CNN | ML
• ROI pooling层计算过程