喵耳朵

本次介绍的是Fast R-CNN，与之前的RCNN和SPPNet不同，Fast R-CNN是一个清晰和快速的目标检测的框架。在训练和测试的速度上都远超过上述两种方法。同时，Fast R-CNN的训练是一次性的端到端的训练，同时训练的分类和回归两个任务。极大的简化的训练的流程。

项目代码：https://github.com/rbgirshick/fast-rcnn

三、Fast R-CNN

1）R-CNN与SPPNet的不足

R-CNN在目标检测中有很好的准确率，但是这个方法本身仍有很多的问题。

1. 训练过程是多级的。R-CNN的训练分成三个部分，首先是finetune一个网络（目标检测的类别和ImageNet不一样）。之后是使用SVM进行目标的分类的训练。最后是使用feature map来进行目标的bounding-box的回归训练。
2. 训练过程费时费空间。SVM和回归两个任务，需要存储目标的特征，需要很多空间。网络的训练过程很慢。
3. 测试速度太慢。需要对每个proposal进行前馈，耗时太长。速度只有47s / image。

SPPNet可以加速R-CNN，在SPPNet中，在卷积的部分直接前馈整张图片，之后对于每个proposal，计算出它在feature map上的位置，然后使用SPP Pooling的方式，得到定长的特征向量。使得测试时间大大缩短。但SPPNet也有很多的问题。 read more

这次介绍的是2015年的Kaiming He的一篇论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition，以下简称SPP-net。

SPP-net的主要贡献是提出了一种新的pooling的方式，spatial pyramid pooling，简称为SPP。使用这种pooling的方式，可以将任意大小的输入feature map给pooling到固定的大小。使用这种pooling的方式，最终在分类和检测任务上均有一定的效果。

二、SPP-net

1）问题描述

在介绍SPP这个pooling方式之前，我们先说一下，为什么需要这种特殊的pooling。 read more

在2012年的ImageNet中，AlexNet拔得头筹。之后，CNN成为了图像识别中的一大利器。

在目标检测中引入CNN，开山之作就是2013年的Rich feature hierarchies for accurate object detection and semantic segmentation，之后简称R-CNN。

一、R-CNN

1）算法原理

R-CNN中，将目标检测分成两步来实现：

1. 首先是生成Region proposals，也就是候选框。有许多的基于图像的低维特征生成候选框的算法，例如selective search等。
2. 训练一个分类和回归的网络。这个网络可以根据候选框的区域的图片，判断这个图片的类别，以及它应该回归到的位置。

2）检测过程

这样，在具体的一张图片的目标检测的时候，我们可以通过下面的过程来得到结果：

1. 对于给定一张图片，通过算法得到大量的候选框(2k个左右)。
2. 将候选框的图片裁剪出，然后输入到CNN网络中。
3. 网络的输出为分类的结果和回归的结果。然后我们就知道这个区域是不是目标，如果是，计算出它的回归的位置。
4. 得到大量的有类别的框，通过NMS算法，得到最终的目标的框。

3）网络训练

对于目标检测这个任务，我们现有的标注数据其实并不多。所以通常都是使用ImageNet等大的公开的数据进行预训练，或者直接使用预训练好的模型在finetune。 read more