Fast R-CNN算法及其具体训练步骤

Fast R-CNN算法是R-CNN算法的进一步衍生算法，它通过引入ROI pooling层，避免了R-CNN算法对同一区域多次提取特征的情况从而提高了算法的运行速度，总体流程上虽然仍然无法实现端到端的训练，但是也在R-CNN算法的基础上有了很大的改进。

Fast R-CNN算法在训练时依然无法做到端到端的训练，故训练时依旧需要一些繁琐的步骤，网上很少有详细介绍的，作为初学者一开始很难理解具体应该怎么做。还有对于多目标图片数据集例如VOC数据集，该如何处理不同训练图片不同目标个数的情况，本文稍作介绍。

Fast R-CNN算法示意图如下图1所示，检测步骤如下：

输入图像；
通过深度网络中的卷积层（VGG、Alexnet、Resnet等中的卷积层）对图像进行特征提取，得到图片的特征图；
通过选择性搜索算法得到图像的感兴趣区域（通常取2000个）；
对得到的感兴趣区域进行ROI pooling（感兴趣区域池化）：即通过坐标投影的方法，在特征图上得到输入图像中的感兴趣区域对应的特征区域，并对该区域进行最大值池化，这样就得到了感兴趣区域的特征，并且统一了特征大小，如图2所示；
对ROI pooling层的输出（及感兴趣区域对应的特征图最大值池化后的特征）作为每个感兴趣区域的特征向量；
将感兴趣区域的特征向量与全连接层相连，并定义了多任务损失函数，分别与softmax分类器和boxbounding回归器相连，分别得到当前感兴趣区域的类别及坐标包围框；
对所有得到的包围框进行非极大值抑制（NMS），得到最终的检测结果。

Fast R-CNN算法在训练时依然无法做到端到端的训练，故训练时依旧需要一些繁琐的步骤，网上很少有详细介绍的，作为初学者一开始很难理解具体应该怎么做。还有对于多目标图片数据集例如VOC数据集，该如何处理不同训练图片不同目标个数的情况。

训练数据处理步骤如下：

对于每张训练图片进行选择性搜索算法提取感兴趣区域；
将这些感兴趣区域与训练图片的ground truth进行IoU计算（计算公式如下所示，示意图如图3所示），大于0.5（或其他阈值）的作为正样本，小于阈值的设为负样本：

$IoU=\frac{union}{area_1+area_2-union}$

图片：[batch_size, img_h, img_w, 3]

感兴趣区域坐标：[batch_size, 64, 5]（5表示4个坐标以及1个类别标签）

原文中采用batch_size=2进行训练，即每次输入2张图片以及128个感兴趣区域坐标，最终网络输出为大小为[128, classes]的softmax向量，以及大小为[128, 4*classes]的坐标向量。对softmax向量与128个区域的独热码类标进行交叉熵的计算得到分类损失，128个区域的坐标复制classes次后与输出的坐标进行smoothL1loss计算得到回归损失，到此网络训练步骤就告一段落。

来源：CSDN

作者：Puremelo

链接：https://blog.csdn.net/qq_39858278/article/details/85108893

标签

Fast R-CNN算法及具体训练步骤