梦里风林
首页知乎Github赞赏
搜索
⌃K
Links
Comment on page

读论文系列·Fast RCNN

Fast RCNN是对RCNN的性能优化版本，在VGG16上，Fast R-CNN训练速度是RCNN的9倍, 测试速度是RCNN213倍；训练速度是SPP-net的3倍，测试速度是SPP-net的3倍，并且达到了更高的准确率，本文为您解读Fast RCNN。

Overview

Fast rcnn直接从单张图的feature map中提取RoI对应的feature map，用卷积神经网络做分类，做bounding box regressor，不需要额外磁盘空间，避免重复计算，速度更快，准确率也更高。

RCNN缺点

  • Multi-stage training
需要先预训练卷积层，然后做region proposal, 然后用SVM对卷积层抽取的特征做分类，最后训练bounding-box回归器。
  • 训练时间和空间代价很大 训练过程中需要把CNN提取的特征写到磁盘，占用百G级的磁盘空间，GPU训练时间为2.5GPU*天（用的是K40，壕，友乎？）
  • 目标检测很慢 Region proposal很慢，VGG16每张图需要花47秒的时间
总结：RCNN就是慢！最主要的原因在于不同的Region Proposal有着大量的重复区域，导致大量的feature map重复计算。

SPP-net

SPP-net中则提出只过一遍图，从最后的feature map裁剪出需要的特征，然后由Spatial pyramid pooling层将其转为固定尺寸特征，由于没有重复计算feature map，训练速度提升3倍，测试速度提升了10-100倍。
但是SPP-net也有缺点，SPP-net的fine-tune不能越过SPP层，因为pyramid BP开销太大了，只能fine-tune全连接层，tune不到卷积层，所以在一些较深的网络上准确率上不去。

Fast RCNN architecture

  • 首先将整个图片输入到一个基础卷积网络，经过max pooling得到整张图的feature map，
  • 然后用一个RoI pooling层为region proposal从feature map中提取一个固定长度的特征向量，
  • 每个特征会输入到一系列全连接层，得到一个RoI特征向量，
  • 再分叉传入两个全连接层输出，
    • 其中一个是传统softmax层进行分类，
    • 另一个是bounding box regressor，
  • 根据RoI特征向量（其中包含了原图中的空间信息）和原来的Region Proposal位置回归真实的bounding box位置（如RCNN做的那样，但是是用神经网络来实现）。
其他都是一目了然的，接下来主要讲RoI pooling

RoI pooling

我们可以根据卷积运算的规则，推算出原图的region对应feature map中的哪一部分。但是因为原图region的大小不一，这些region对应的feature map尺寸是不固定的，RoI pooling就是为了得到固定大小的feature map。
  • RoI pooling层使用max pooling将不同的RoI对应的feature map转为固定大小的feature map。
    • 首先将h w的feature map划分为H W个格子
    • 对每个格子中的元素做max pooling
由于多个RoI会有重复区域，所以max pooling时，feature map里同一个值可能对应pooling output的多个值。所以BP算梯度的时候，从RoI pooling层output y到input x的梯度是这样求的
​
 其中
  • ​
    i∗(r,j)=argmaxi′∈R(r,j)xi′i ^{*}(r, j) = argmax_{i'∈R(r,j) }x_{i'}
    ，也就是在
    R(r,j)R(r, j)
    这个区域中做max pooling得到的结果，
  • ​
    i=i∗(r,j)i = i ^{ * }(r, j)
     是一个条件表达式，就是判断input的
    xix_{i}
    是否是max pooling的结果，如果不是，输出的梯度就不传到这个值上面
  • r是RoI数量，j是在一个region中，与x对应的输出个数
  • ​
    yrjy_{rj}
    是第j个跟x对应的输出
举例：
也就是说，将Loss对输出的梯度，传回到max pooling对应的那个feature unit上，再往回传
其实这是SPPnet的一个特例，是Spatial pooling，没有pyramid，也因此计算量大大减少，能够实现FC到CNN的梯度反向传播，并且，实验发现其实feature pyramid对准确率提升不大。倒是原图层面的Pyramid作用大些：
  • 训练时，为每张训练图片随机选一个尺度，缩放后扔进网络学
  • 测试时，用image pyramid为每张测试图片中的region proposal做尺度归一化（将它们缩放到224x224）
但是这种Pyramid方法计算代价比较大，所以Fast RCNN中只在小模型上有这样做

Multi-task loss

  • ​
    LclsL_{cls}
    : SoftMax多分类Loss，没啥好说的
  • ​
    LlocL_{loc}
    ：bounding box regression loss
定义真实的bounding box为(
vx,vy,vw,vhv_{x}, v_{y}, v_{w}, v_{h}
)，预测的bounding box位置（由第二个fc层输出，有K个类，每个类分别有4个值，分别为）
txk，tyk，twk,thkt_{x}^{k}，t_{y}^{k}，t_{w}^{k}, t_{h}^{k}
​
​
Lloc(tk,v)=∑i∈x,y,w,hsmoothL1(tik−vi)L_{loc}(t^{k}, v) = ∑_{i∈{x,y,w,h}} smooth_{L1}(t_{i}^{k} - v_{i})
​
即预测位置和真实位置四个值的差值求和，其中
​
smoothL1(x)=0.5x2if∣x∣<1otherwise∣x∣−0.5smooth_{L1}(x) = 0.5x^{2} if |x|<1 otherwise |x|-0.5
​
是一个软化的L1（画一下图像可以看出来，在(-1,1)的范围内是抛物线，没L1那么尖锐），如果采用L2 loss，需要仔细调节学习率防止梯度爆炸。
​
 整个模型的Loss就是：
​
L(p,k,tk,v)=Lcls(p,k)+λ∣k≥1∣LIoc(tu,v)L(p, k, t^{k}, v) = L_{cls}(p, k) + λ|k ≥ 1| L_{Ioc}(t^{u}, v)
​
  • p代表预测类别，k代表真实类别
  • k≥1意味着不算0类（也就是背景类）的bounding box loss，因为背景的bounding box没啥意义
  • λ是超参数，在论文的实验中设为1

训练

  • ImageNet预训练
  • 最后一层换成RoI pooling层
  • FC+sofmax分类层换成两个FC，分别求softmax分类和bounding box回归loss，每个类有自己的bounding box regressor
  • 用Detection数据BP微调整个神经网络
这就比较厉害了，谁不喜欢end to end，之前RCNN是需要分开微调SVM分类层和bounding box regressor的
前面讲了RoI pooling使得梯度反向传播到卷积层成为可能，但是这种BP训练仍然很耗显存和时间，尤其是在输入的ROI属于不同图片时，因为单张图的feature map是不存到磁盘的，当一张图的几个RoI和其他图的几个RoI混在一起交替输入时，需要反复前向传播计算feature map，再pooling，实际上也就反复计算了feature map。
在Fast RCNN的训练中，每次输入两张图（这么小的batch size），每张图取64个ROI，单张图的多个ROI在前向计算和后向传播过程中是共享feature map的的，这样就加快了训练速度。
然而，这犯了训练中的一个忌讳，实际上，相当于训练数据（ROI）没有充分shuffle，但在Fast RCNN的实验中效果还行，就先这样搞了。

样本筛选

  • 正样本：与bounding box有超过50%重叠率的
  • 负样本（背景）：与bounding box重叠率位于0.1到0.5之间的。

Truncated SVD加速全连接层运算

  • Truncated SVD
​
W≈U∑tVTW ≈ U∑_{t}V^{T}
​
将
u×vu×v
大小的矩阵W分解为三个矩阵相乘，其中，
UU
是一个
u×tu×t
的矩阵，包含
WW
的前
tt
个左奇异向量，
∑t∑_{t}
是一个
t×tt×t
的对角矩阵，包含
WW
的前
tt
个上奇异向量，
VTV^{T}
是一个
v∗tv*t
的矩阵，包含
WW
的前
tt
个右奇异向量，参数数量从
uvuv
变成
t(u+v)t(u+v)
，当
tt
远小于
min(u,v)min(u,v)
时，参数数量就显著少于
WW
。
具体实现上，将一个权重为W的全连接层拆成两个，第一层的权重矩阵为∑_{t}V^{T}（并且没有bias），第二层的权重矩阵为U（带上W原来的bias）。
在Fast RCNN中，Truncated SVD减少了30%的训练时间。

实验结果

PK现有方法

  • 在VOC12上取得65.7%的mAP，是当时的SOA
  • 在VGG16上，Fast R-CNN训练速度是RCNN的9倍, 测试速度是RCNN213倍；
  • 训练速度是SPP-net的3倍，测试速度是SPP-net的3倍

创新点必要性验证

  • RoI pooling是否比SPP更优？（是否有fine tune卷积层的必要？）
    • 使用VGG16，在Fast RCNN中冻结卷积层，只fine tune全连接层：61.4%
    • 使用VGG16，在Fast RCNN中fine tune整个网络：66.9%
  • Multi Loss(Softmax + bb regressor)是否比Single task（只用Softmax loss）更优？stage-wise和Multi Task同时进行(end2end)哪个更优？
在VOC07上，end2end + bb regressor > stage-wise+ bb regressor > end2end
  • Image Pyramid是否必须？ 实际上，使用Pyramid在Fast RCNN上只提升了1%左右，所以这个也没被列为正式的创新点
  • 如果用SVM来分类会不会更好？
​
 S M L是由浅到深的三个网络，可以看到，只用Softmax分类也能达到不错的效果，在网络比较深的情况下，也有超越SVM的可能。
  • 模型泛化能力
    一个模型如果能够在更多训练数据的条件下学到更好的特征分布，这个模型效果越好，RBG用VOC12去训练Fast RCNN，然后在VOC07上测试，准确率从66.9%提升到70.0%。在其他组合上也取得了提升。
注意，在训练更大的数据的时候，需要更多的iteration，更慢的learning rate decay。
  • 使用更多的Region Proposal效果会不会更好？（不是很想讲这方面，太玄学）
​
 图中红色线表示Average Recall，通常人们用Average Recall来评价Region Proposal的效果，然而，proposals越多，AR这个指标一直往上涨，但实际上的mAP并没有上升，所以使用AR这个指标比较各种方法的时候要小心，控制proposal的数量这个变量不变。
图中蓝色线表示mAP(= AVG(AP for each object class))，可以看到，
  • 太多的Region Proposal反而会损害Fast RCNN的准确度
  • DPM使用滑动窗口+层次金字塔这种方法提供密集的候选区域，用在Fast RCNN上略有下降。
以前
读论文系列·SPP-net
下一个
读论文系列·Faster RCNN
最近更新 2yr ago