Fast RCNN

1.简介

Fast R-CNN是作者Ross Girshick继R-CNN后的又一力作。同样使用VGG16作为网络的backbone，与R-CNN相比训练时间快9倍，测试推理时间快213倍，准确率从62%提升至66%(再Pascal VOC数据集上)。

原论文名称:Fast R-CNN

2.Fast R-CNN算法流程##

• 一张图像生成1K-2K个候选区域（使用Selective Search方法)
• 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
• Region of Interest感兴趣区域

  

如上图所示，将一张图像输入到Deep ConvNet中得到图像的特征图，根据ROI区域与整体图像的坐标进行特征映射，能够得到每一个候选区域的特征矩阵。

将每一个特征矩阵通过ROI pooling layer,池化到固定尺寸（7*7）,然后展平为向量。

之后ROI feature vector并联两个FC，其中一个用于目标概率预测（softmax），另一个用于边界框参数的回归(bbox regressor)

3.一次性计算得到整张图像特征

• R-CNN依次将候选框区域输入卷积神经网络得到特征
• Fast-RCNN将整张图象送入网络，紧接着从特征图像上提取相应的候选区域（原图和特征图的映射关系）。这些候选区域的特征不需要再重复计算
• 不限制输入图像的尺寸
  

4.训练数据的采样

并非使用ss算法得到的所有候选框。

• 正样本：候选框中存在检测目标的样本
  IOU
• 负样本:理解为背景,没有检测的目标。
• 使用ROI Pooling Layer缩放到统一尺寸(忽略尺寸)

  

5.softmax分类器

• softmax分类器输出N+1个类别的概率,输出N+1个类别的概率（N为检测目标的种类，1为背景）共N+1个节点，如下图所示:

  

如上图所示,该数据集有20个类别，1个背景，所以上图第一个节点为背景概率，后面20个节点为检测目标种类的概率。

6.边界框回归器

输出对应N+1个类别的候选边界框回归参数（dx,dy,dw,dh）,共（N+1）×4个节点、

px,py,pw,ph分别为候选框的中心x,y坐标，以及宽高

Gx,Gy,Gw,Gh分别为最终预测的边界框中心x,y坐标以及宽高

橙色:候选边界框

红色:最终预测边界框

7.损失函数

因为再Fast RCNN中需要预测N+1个类别的概率以及边界框的回归参数，所以定义了两个损失函数:分类损失函数和边界框回归损失函数

• 1.分类损失

  

p是分类器预测的softmax概率分布p=( p0,…, pk )

u对应目标真实类别标签

实际上就是针对多分类问题的交叉熵损失。

• 2.边界框回归损失

  

u对应目标真实类别标签，当为背景时，则该项为0，也就不存在什么边界框回归损失了。

今天的文章fast rcnn详解_Fast RCNN图像标记分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。