图像识别与原理51 目标检测04 fast R-CNN

ast R-CNFast R-CNN与R-CNN相同，同样使用VGG16作为网络的backbone，针对R-CNN的速度，内存占用大，准确率低，3个主要问题的更好解决方案。

Fast R-CNN通过引入一些关键的创新，显著提高了训练速度、检测速度以及内存使用效率。

Fast R-CNN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)

Fast R-CNN[2]，它非常巧妙地解决了R-CNN的几个主要问题。Fast R-CNN的训练和预测过程如图1所示。

图1 Fast R-CNN训练和预测过程示意图

具体训练步骤如下。

1）将整张图片和ROI直接输入到全卷积的CNN中，得到特征层和对应在特征层上的ROI（特征层的ROI信息可用其几何位置加卷积坐标公式推导得出）。

2）与R-CNN类似，为了使不同尺寸的ROI可以统一进行训练，Fast R-CNN将每块候选区域通过池化的方法调整到指定的M*N，此时特征层上将调整后的ROI作为分类器的训练数据。与R-CNN不同的是，这里将分类和回归任务合并到一起进行训练，这样就将整个流程串联起来。Fast R-CNN的池化示意图如图1所示，即先将整张图通过卷积神经网络进行处理，然后在特征层上找到ROI对应的位置并取出，对取出的ROI进行池化（此处的池化方法有很多）。池化后，全部2000个M*N个训练数据通过全连接层并分别经过2个head：softmax分类以及L2回归，最终的损失函数是分类和回归的损失函数的加权和。利用这种方式即可实现端到端的训练。结果如图2所示。

Fast R-CNN极大地提升了目标检测训练和预测的速度。

图2 Fast R-CNN训练结果示意图