掃碼關注下方公眾號："Python編程與深度學習"，領取配套學習資源，並有不定時深度學習相關文章及代碼分享。
0 - 背景
經典的R-CNN存在以下幾個問題：
- 訓練分多步驟（先在分類數據集上預訓練，再進行fine-tune訓練，然后再針對每個類別都訓練一個線性SVM分類器，最后再用regressors對bounding box進行回歸，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和回歸的時候需要用網絡訓練的特征作為輸入，特征保存在磁盤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，重復操作太多）
在Fast RCNN之前提出過SPPnet來解決R-CNN中重復卷積問題，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數據集上的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個降采樣層（分別跟在第一和第二個卷積層后面）
- 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維的全連接層
- 分別經過output各為21和84維的全連接層（並列的，前者是分類輸出，后者是回歸輸出）
- 最后接上兩個損失層（分類是softmax，回歸是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征向量維度相同，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划分為$H \times W$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張圖像和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數據增強。
1.1.3 - 損失函數
多損失融合（分類損失和回歸損失融合），分類采用log loss（即對真實分類的概率取負log，分類輸出K+1維），回歸的loss和R-CNN基本一樣。
總的損失函數如下：
$$L(p,u,t^u,v)=L_{cls}(p,u)+\lambda [u\geqslant 1]L_{loc}(t^u,v)$$
分類損失函數如下：
$$L_{cls}(p,u)=-log\ p_u$$
回歸損失函數如下：
$$L_{loc}(t^u,v)=\sum_{i\epsilon \{x,y,w,h\}}smooth_{L_1}(t_i^u-v_i)$$
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 - 改進全連接層
由於卷積層計算針對的是一整張圖片，而全連接層需要對每一個region proposal都作用一次，所以全連接層的計算占網絡計算的將近一半（如下圖）。作者采用SVD來簡化全連接層計算。
1.1.5 - 訓練整體架構總結
圖片引用自博客。
1.2 - 測試
1.2.1 - 測試整體架構總結
圖片引用自博客。
2 - 思考
2.1 - 改進
- 卷積不再是重復對每一個region proposal，而是對於整張圖像先提取了泛化特征，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做卷積會有很多重復計算）
- ROIPooling的提出，巧妙的解決了尺度放縮的問題
- 將regressor放進網絡一起訓練，同時用softmax代替SVM分類器，更加簡單高效
2.2 - 不足
region proposal的提取仍然采用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，而特征提取+分類只需要0.32s），之后的Faster RCNN的改進之一便是此點。
3 - 結果
3.1 - mAP
FRCN相比其他算法表現更好，且注意到，VOC12由於數據集更大而使得模型效果提高很多。（這一角度也說明了數據對於當前深度學習的重要性不容忽視！）
3.2 - 速度
3.3 - 多任務訓練（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：
- 僅采用分類訓練，測試也沒有回歸
- 采用論文中的分類+回歸訓練，測試沒有回歸
- 采用分段訓練，測試沒有回歸
- 采用論文中的分類+回歸訓練，測試有回歸
3.4 - 單尺度vs多尺度
多尺度表示輸入圖像采用多種尺度輸入，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：深度卷積網絡可以學習尺度不變性）。
4 - 參考資料
https://blog.csdn.net/u014380165/article/details/72851319