论文阅读: Fast R-CNN

Introduction

structure层面

论文中给出了Fast R-CNN的大致结构。需要注意的是，右半边的结构图(灰底色)中，黑框表示operation，红框表示output：

这里写图片描述

我画了一个流程图，用来解释Fast R-CNN的形成：

这里写图片描述

如图所示，R-CNN留下了两大问题亟待后人解决： 1. feature map不共享； 2. mutli-stage (特征抽取、SVM分类、location回归) 太复杂太costly。

第一个问题，被前辈SPPNet通过 共享卷积 (本质上就是共享特征提取的结果) 解决了。 Fast R-CNN继承了SPPNet这一思想，并把SPPNet的SPP layer改进为了RoI Pooling。

Note：

• SPP layer是在RP上做3-stage (每个scale宽高比相等但H×WH×WH×W大小不等) 的average pooling；RoI Pooling将之简化为1-stage的max pooling。
• 由于SPP layer有着明显的缺陷——pooling后得到的一根根tensor并没有按原先的位置排放成阵列，而是直接头尾相接，从而放弃了重要的位置信息，对RoI的分类不利。Fast R-CNN对此进行了修正。

由于这个时期人们都只在topmost-feature map上进行RP操作，因此，弃SPP layer 而用RoI Pooling相当于主动放弃了SPPNet中的multi-scale思想。而这一multi-scale思想在SSD中通过multi-feature map再次被发扬光大，并成为了之后的detection算法标配。当然，这都是后话。

针对第二个问题，特征抽取网络、SVM分类器、location回归器在Fast R-CNN中被整合到了同一个深度学习网络中，从此可以便捷快速地一起训练了。

loss层面

LlocLlocL_{loc} ：由R-CNN、SPPNet时代沿用的 L2L2L_2 演化为了 Smooth L1Smooth L1Smooth\ L_1 。

batch层面

RBG大神提出了mini-batch (即N=2) 的认知。

basemodel层面

出于basemodel的限制，R-CNN、SPPNet的basemodel用的都是AlexNet。到了Fast R-CNN的时候，已经有VGG了。于是Fast R-CNN采用了VGG-16作为其basemodel。

在SPPNet中，由于其basemodel是AlexNet这种小网络，所以SPPNet的作者们说，train的时候只fine-tune最后的几个fc层，模型精度最高。 RBG大神说，这套定理到了以VGG-16为basemodel的深网络中就不适用了。RBG大神做了一系列ablation，发现沿用SPPNet的fine-tune定理会掉点：

这里写图片描述

而如果把fine-tune的范围往前一直扩大到conv3_1 (再往前就对mAP几乎没有提升了) 则效果最好。

compute层面

从time的角度来看，fc层的存在对于单图的cls任务而言，耗时占比小于前面的那些conv层；但在detection任务中，conv只需执行一次，fc却要执行几千次 (对每个RoI都要完整地走一遍fc) ，此时在fc上的耗时就占到了总耗时的50%。

RBG大神给出了解决方案：通过TSVD (截断奇异值分解) 来简化计算。 该方法节省了30%的detection耗时，mAP只牺牲了0.3%：

这里写图片描述

Innovation

宏观上，

• 从 stage 的角度来看，是从 four-stage 到 two-stage 的演进；
• 从 task system 的角度来看，是从 two-network system (将分类器和定位回归器用两个网络分开，各自独立训练) 到 one-network system (虽然这两个task是并行的，但都属于同一个network，可以一起训练) 的演进。

Result

Fast R-CNN在VOC数据集上吊打其他算法。

VOC2007：

这里写图片描述

VOC2010：

这里写图片描述

VOC2012：

这里写图片描述

Thinking

Fast R-CNN最吸引我的地方是它第一个将三个独立的任务 (feature extraction、cls、loc regression) 三合为一。将原本笨拙的Detection惯用设计大大精简，Simple is powerful。

到了Faster R-CNN，更是将Selective Search也替换为了能无缝衔接的RPN，从此，Detection的四大任务 (feature extraction、region proposal、cls、loc regression) 归于一统 (可以被一起训练了) 。

[1] Fast R-CNN