目标检测算法在coco上对比 目标检测算法总结

目标检测算法总结（2）——Fast RCNN

• 前言
• 算法步骤

• 计算候选框特征
• ROI Pooling
• 分类器与回归器

• 分类器
• 回归器
• 损失计算

• 总结
• 参考

前言

R-CNN诞生后，深度学习在目标检测上的优势开始显示，于是各类应用深度学习的目标检测算法开始如雨后春笋般冒了出来，R-CNN的作者Ross Girshick不满足于已经取得的成就，在2015年发布了R-CNN算法的改进版——“Fast RCNN”,顾名思意比原来的“RCNN”快的多，根据作者的测试比较，在上Pascal
Voc数据集，训练速度提升9倍，测试速度提升213倍。准确率也有从62%到66%。那么Fast RCNN到底在RCNN上改进了什么呢？

算法步骤

首先回顾一下RCNN的步骤：
——在图像上使用Selective Search生成1k~2k个候选区域。
——对每个候选区域，使用深度网络提取特征。
——特征送入每一类的分类器，判别类别。
——使用回归器精细修正候选框位置。

对比下，Fast RCNN的步骤如下：
——在图像上使用Selective Search生成1k~2k个候选区域。
——将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到特征图上获得相应的特征矩阵。
——将每个特征矩阵通过ROI pooling层缩放到7*7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果。

对比来看，第二步开始，算法步骤完全不同，RCNN是在候选区域上提取特征，而Fast R-CNN则是在整张图像上提取特征,此外rcnn中专门训练了SVM与回归器，而在Fast R-CNN中，这些被整合到一个网络中。

计算候选框特征

R-CNN中会把候选区域进行缩放，然后输入到卷积神经网络中得到特征。为此我们需要先从一张·图片上计算2千多个候选区域，毫无疑问这些区域会产生大量重合，造成计算的冗余。在Fast RCNN中直接把图片输入到网络中，生成特征图，在特征图上通过映射关系提取候选区域，避免了大量重复计算。

得到候选区域后，我们要进行采样，只挑选一部分候选框用作训练。而采样要确保正负样本的比例，也就是有目标的和没有目标的候选框的数量差不多一致，这样才能提升模型的鲁棒性，能更好分辨目标。Fast RCNN判定的方法之一是比较候选框与目标真实边框（ground truth）的重合度评价标准——IoU,IoU大于规定的阈值（如0.7）视作正样本，小于规定的阈值（如0.3）为负样本。iou计算如下：

ROI Pooling

得到了特征矩阵后，我们用ROI Pooling层将特征矩阵缩放到7*7大小。ROI是在原图中的感兴趣区域，可以理解为目标检测的候选框（region of proposals），它的主要原理为把输入到ROI Pooling的特征矩阵按输出的格式划分成相应的区域（如：分为7*7个区域），对每个区域进行最大池化，便将候选的矩阵变为相同的格式。

分类器与回归器

目标检测需要识别出物体并标记出位置，即是一个分类问题也是一个回归问题，所以我们需要同时准备分类器与回归器。

分类器

分类器采用的是全连接+softmax，假设有N个目标类别的话，最终的输出为N+1（N目标+背景）个类别的概率。

回归器

回归器输出的回归参数为（$d_{x},d_{y},d_{w},d_{h}$）,所以输出为4*（N+1)个节点。回归的四个参数分别表示分类框的中心点x,中心点y,框宽与框高。

回归器的计算方程如下：

$\hat{G}_{x} =P_{w}d_{x}(P)+P_{x}$
$\hat{G}_{y} =P_{h}d_{y}(P)+P_{y}$
$\hat{G}_{w} =P_{w}exp(d_{w}(p))$
$\hat{G}_{h} =P_{h}exp(d_{h}(p))$

$P_{x},P_{y},P_{w},P_{h}$表示候选框的中心点的x、y坐标和宽高。
$\hat{G}_{x}、\hat{G}_{y}、\hat{G}_{w}、\hat{G}_{h}$代表最终预测的边界框中心点的x、y坐标和宽高。

损失计算

分类损失的方程为：$L_{cls}(p,u)$ = -$\log p_{u}$
p是分类器预测的softmax概率分布，u对应真实类别标签，这个公式本质就是交叉熵损失。

回归的损失为：$\lambda[u\ge1]L_{loc}(t^u,v)$
从右到左依次看
$t^u$对应边界框预测的对应类别u的回归参数$(t^u_{x},t^u_{y},t^u_{w},t^u_{u})$。
$v$对应真实的边界框回归参数$(v_{x},v_{y},v_{w},v_{u})$

$L_{loc}(t^u,v)$=$\sum\limits_{i \in \lbrace x,y,w,h\rbrace} smooth_{L1}(t^u_{i}-v_{i})$

其中$smooth_{L1}(x)=\left\{ \begin{aligned} 0.5x^2 \quad if|x|<1 \\ |x|=0.5 \quad 其余情况 \end{aligned} \right.$
而$[u\ge1]$是艾佛森括号，表示当$u$这个下标$\ge1$时,也就是代表需要检测的某一类目标时，其值=1，否则=0。也就是u$<1$时,此时表示这一项是背景，所以不需要计算。当u$\ge1$代表了需要检测的目标时，这样需要计算。
$\lambda$为平衡系数，用于平衡两类损失

那么总的损失函数为两损失函数相加:
$L(p,u,t^u,v)$=$L_{cls}(p,u)$ + $\lambda[u\ge1]L_{loc}(t^u,v)$
表示整个算法的损失函数。

总结

Fast RCNN改进了RCNN重复计算候选框的问题，并把RCNN分别训练的SVM与回归器都整合到一个CNN中，统一了损失函数，大大加快了训练与检测速度，可以发现，Fast RCNN与RCNN相比，特点便是把更多步骤整合到CNN中，而在这之后的Faster RCNN则把剩下的第一步——生成候选框也整合到网络中。

参考