0 - 背景

　　經典的R-CNN存在以下幾個問題：

• 訓練分多步驟（先在分類資料集上預訓練，再進行fine-tune訓練，然後再針對每個類別都訓練一個線性SVM分類器，最後再用regressors對bounding box進行迴歸，並且bounding box還需要通過selective search生成）
• 時間和空間開銷大（在訓練SVM和迴歸的時候需要用網路訓練的特徵作為輸入，特徵儲存在磁碟上再讀入的時間開銷較大）
• 測試比較慢（每張圖片的每個region proposal都要做卷積，重複操作太多）

　　在Fast RCNN之前提出過SPPnet來解決R-CNN中重複卷積問題，但SPPnet仍然存在與R-CNN類似的缺陷：

• 訓練分多步驟（需要SVM分類器，額外的regressors）
• 空間開銷大

　　因此，該文提出的Fast RCNN便是解決上述不足，在保證效果的同時提高效率。基於VGG16的Fast RCNN模型在訓練速度上比R-CNN快大約9倍，比SPPnet快大約3倍；測試速度比R-CNN快大約213倍，比SPPnet快大約10倍，在VOC2012資料集上的mAP大約為66%。

1 - 整體思路

1.1 - 訓練

• 輸入是$224 \times 224$的固定大小圖片
• 經過5個卷積層+2個降取樣層（分別跟在第一和第二個卷積層後面）
• 進入ROIPooling層（其輸入是conv5層的輸出和region proposal，region proposal個數大約為2000個）
• 再經過兩個output都為4096維的全連線層
• 分別經過output各為21和84維的全連線層（並列的，前者是分類輸出，後者是迴歸輸出）
• 最後接上兩個損失層（分類是softmax，迴歸是smoothL1）

　　fast R-CNN模型的流程圖如下：

1.1.1 - ROIPooling

　　由於region proposal的尺度各不相同，而期望提取出來的特徵向量維度相同，因此需要某種特殊的技術來做保證。ROIPooling的提出便是為了解決這一問題的。其思路如下：

• 將region proposal劃分為$H \times W$大小的網格
• 對每一個網格做MaxPooling（即每一個網格對應一個輸出值）
• 將所有輸出值組合起來便形成固定大小為$H \times W$的feature map

1.1.2 - 訓練樣本

　　訓練過程中每個mini-batch包含2張影象和128個region proposal（即ROI，64個ROI/張），其中大約25%的ROI和ground truth的IOU值大於0.5（即正樣本），且只通過隨機水平翻轉進行資料增強。

1.1.3 - 損失函式

　　多損失融合（分類損失和迴歸損失融合），分類採用log loss（即對真實分類的概率取負log，分類輸出K+1維），迴歸的loss和R-CNN基本一樣。

　　總的損失函式如下：

$$L(p,u,t^u,v)=L_{cls}(p,u)+\lambda [u\geqslant 1]L_{loc}(t^u,v)$$

　　分類損失函式如下：

$$L_{cls}(p,u)=-log\ p_u$$

　　迴歸損失函式如下：

$$L_{loc}(t^u,v)=\sum_{i\epsilon \{x,y,w,h\}}smooth_{L_1}(t_i^u-v_i)$$

　　其中有：

$$smooth_{L_1}(x)=\left\{\begin{matrix}0.5x^2\ \ \ \ \ \ if\ |x|< 1\\|x|-0.5\ \ otherwise\end{matrix}\right.$$

1.1.4 - 改進全連線層

　　由於卷積層計算針對的是一整張圖片，而全連線層需要對每一個region proposal都作用一次，所以全連線層的計算佔網絡計算的將近一半（如下圖）。作者採用SVD來簡化全連線層計算。

 1.1.5 - 訓練整體架構總結

　　圖片引用自部落格。

1.2 - 測試

1.2.1 - 測試整體架構總結

　　圖片引用自部落格。

2 - 思考

2.1 - 改進

• 卷積不再是重複對每一個region proposal，而是對於整張影象先提取了泛化特徵，這樣子減少了大量的計算量（注意到，R-CNN中對於每一個region proposal做卷積會有很多重複計算）
• ROIPooling的提出，巧妙的解決了尺度放縮的問題
• 將regressor放進網路一起訓練，同時用softmax代替SVM分類器，更加簡單高效

2.2 - 不足

　　region proposal的提取仍然採用selective search，整個檢測流程時間大多消耗在這上面（生成region proposal大約2~3s，而特徵提取+分類只需要0.32s），之後的Faster RCNN的改進之一便是此點。

3 - 結果

3.1 - mAP

　　FRCN相比其他演算法表現更好，且注意到，VOC12由於資料集更大而使得模型效果提高很多。（這一角度也說明了資料對於當前深度學習的重要性不容忽視！）

3.2 - 速度

3.3 - 多工訓練（multi-task）

　　由於本文提出的模型是基於R-CNN通過multi-task訓練方式進行改進的，因此要說明multi-task的有效性。一共分為S/M/L三組，每組對應四列，分別為：

• 僅採用分類訓練，測試也沒有迴歸
• 採用論文中的分類+迴歸訓練，測試沒有迴歸
• 採用分段訓練，測試沒有迴歸
• 採用論文中的分類+迴歸訓練，測試有迴歸

3.4 - 單尺度vs多尺度

　　多尺度表示輸入影象採用多種尺度輸入，在測試的時候發現多尺度雖然能在mAP上得到些許提升但也增加了時間開銷（作者給出原因：深度卷積網路可以學習尺度不變性）。

4 - 參考資料

https://blog.csdn.net/u014380165/article/details/72851319