[物件偵測] S2: Fast R-CNN 簡介

前言

回顧一下RCNN的問題點：

1. 訓練分太多階段
2. 訓練消耗太多硬體資源和時間。因為每次要取BBox的feature vector，都需要將每一張影像的region proposals的執行一次CNN，並且將vector存到硬碟上。
3. 對一張影像進行detection需要47秒的時間(on GPU)

所以，繼RCNN之後，為了讓速度、精度表現更加出色，所以作者很快的就修改了運算上的順序、結構性的問題、簡化model的設計來提昇運算速度，上detection的表現上升到了2s/image。

論文:
Fast R-CNN

演算法結構

Fast-RCNN的架構如下圖所示：

基本上，重要的改變有：

• 拿掉SVM結構，改以softmax作為Classification的NN
• 一樣是用selective search提出Region Proposals，或叫做ROI (Region of Interest)，但是改為先將整張影像通過conv.得到feature map後，將ROI映射在map上來取真正要用的ROI，因此一張影像只須過一次Convolution，也就節省掉很多的計算和硬體資源。
• 利用ROI pooling layer來統一ROI送進Fully-connected layer (FC)層前的維度。

以下就自架構圖的下到上說明各部件的的細節。

Region Proposals

這裡一樣是使用selective search的方式提出2000個region。不過，並不是將原始影像依據region來切割後送入backbone network中的。而是將region映射到CNN最後的feature map上才切出我們真正要拿來使用的ROI。

Backbone Network - VGG16

這次到了Fast R-CNN，backbone的部份換成了VGG16。而在最後一層convolution block的最後一個conv.所得到的feature map (shape=1414512)，就是剛剛ROI要映射到的目標層，所以這裡的ROI才是我們真正要使用的。
但是，ROI的長寬不一樣要怎麼辦呢？所以作者將原本接的最後一個pooling layer取代掉，換成可以將size固定的ROI Pooling layer。

ROI Pooling Layer

ROI可能是很多不同的長寬構成的框框，而VGGnet的FC層要以7x7的feature map為輸入，所以在ROI pooling layer中，我們要做的事就是「在14x14的feature map上，切出ROI後，以pooling手法將ROI輸出成7x7」。

這個層的機制，我就用下圖來舉個例子直覺說明。假定今天要在一個8x8的map上做ROI pooling，如下圖:

若今天Region proposal映射到這個map上的尺寸是7x5(如下圖紅框)，且我們要將ROI輸出成2x2的大小，就會將下圖的紅框分割成2x2(如下圖虛線，因為長寬7,5無法被2整除)。接著就可以透過max-pooling來取值:

Detector

在後面的分類器，從FC層後分成兩支進行，第一支是分類器，由原本的SVM改成了FC層的softmax。特別注意到的是，分類的類別數量因為要讓背景獨立成一個類別，所以是K+1個。而第二支就是bbox regressor，則是沒什麼變化。

Loss

因為分類器都變成了整個網路中的一部分，所以作者就設計了一套整合所有目標的loss function：

其中，

• p：K+1個類別的分類機率
• u：目標類別
• \(t^u\)：則是如同R-CNN中所述的預測的bbox和groud-truth之間的offsets
• v：ground-truth box

所以，\(L_{cls}\)就是分類部份的loss，是對與真實目標的誤差取-log。而”[u>=1]”標誌的意思是，若u>=1則為1，反之則為0。也就是說如果一個ROI落在背景的區域而沒有物體，則值等於0，也就不用考慮到bbox的誤差\(L_{loc}\)。
而\(L_{loc}\)的式子如下：

他是採用smooth L1的損失函數設計，為的是讓函數對離群值得反應不要那敏感。
簡單用下面這張圖來看，因為一般採用L2的損失函數，會因為平方的關係而使得誤差反應被離群值主導。採用Smooth L1，除了在0值附近以0.5的倍數降低反應以外，在大於1以外的離群值部份，就採用線性的方式表示，來將誤差的呈現趨於平緩。因此雖然L2的函數通常收斂較快，但也同時需要一個較好的起始點，才能避免函數無法收斂。然而Smooth L1就是讓它順順的收斂，比較不容易讓誤差爆炸。

總結

到這邊，算是講完Fast R-CNN的架構思路。也因為這些調整，讓Fast R-CNN的速度比R-CNN的速度快上25倍之多。最後我們再總結一下Fast R-CNN的重點：

1. 改變ROI sampling的邏輯，讓原本要重複運作2000次的特徵提取，變成只對原始影像做一次特徵提取，而讓原圖上的region proposals映射到feature maps上做sampling。
2. ROI pooling層統一ROI送進FC層的維度。
3. 使用多目標的loss function，使得原本RCNN的多層訓練變成簡單的back-propagation。

這些進步，讓Fast R-CNN的mAP也比R-CNN略高一點，但速度加快很多(2s/image)，而且訓練的速度也增加了將近9倍的時間(9.5hr)。

當然它還是有缺陷的。
其實測試的時間並沒有含括提出proposals的時間，所以納入了selective search在提出proposals的過程，其實表現還遠遠不足以應用。因此，後人提出了將region proposals的部份，也用NN一併解決，整合進網路中，也就誕生了Faster R-CNN。

這是我個人對這篇論文的消化，如果有錯誤之處，請各位朋友指教或幫我指出
如果喜歡這篇文章，記得在下面幫我按個Recommend↓
謝謝～