四川网站建设 四川冠辰科技,有没有可以代理推广的平台,印记室内设计网站,wordpress翻译中文文章目录 前言一、Fast RCNN的网络结构和流程二、Fast RCNN的创新点1.特征提取分类回归合一2.更快的训练策略 总结 前言
前文目标检测-Two Stage-SPP Net中提到SPP Net的主要缺点是#xff1a;
分开训练多个模型困难且复杂尽管比RCNN快10-100倍#xff0c;但仍然很慢SPP Ne… 文章目录 前言一、Fast RCNN的网络结构和流程二、Fast RCNN的创新点1.特征提取分类回归合一2.更快的训练策略 总结 前言
前文目标检测-Two Stage-SPP Net中提到SPP Net的主要缺点是
分开训练多个模型困难且复杂尽管比RCNN快10-100倍但仍然很慢SPP Net无法更新空间金字塔池化层以下的权重根本原因是当每个训练样本来自不同影像时通过SPP层的反向传播效率很低
Fast RCNN针对上述缺点做了改进 提示以下是本篇文章正文内容下面内容可供参考
一、Fast RCNN的网络结构和流程
使用Selective Search提取2,000个感兴趣区RoIs预训练CNN模型VGG 微调fine-tuning / 从头开始训练模型使用CNN网络从整个图像中提取特征图feature maps使用线性模型将RoI在原图的位置映射到卷积层特征图以获取每个RoI的特征图feature map通过ROI池化层ROI Pooling Layer将每个RoI的feature map转化为固定大小 psROI Pooling Layer实质就是单层(7×7) SPP Layer 将经过ROI池化层得到的候选窗口的表示输入全连接网络将全连接网络输出直接输入神经网络分类器Linearsoftmax和神经网络回归器Linear得到类别和目标框
二、Fast RCNN的创新点
1.特征提取分类回归合一
使用softmax替代SVM分类同时利用多任务损失函数(multi-task loss)将边框回归Bounding Box Regression也加入到了网络中这样整个的训练过程除去Region Proposal提取阶段外其余部分是端到端的使得训练变得简便快捷 Fast R-CNN的multi-task loss为分类交叉熵损失和回归L1损失的加权和 2.更快的训练策略
在Fast RCNN网络训练中随机梯度下降SGD的小批量是被分层采样的首先采样 N N N个图像然后从每个图像采样 R R R个 RoI。关键的是来自同一图像的RoI在向前和向后传播中共享计算和内存。减小 N N N就减少了小批量的计算。例如当 N 2 N 2 N2和 R 128 R 128 R128时得到的训练方案比从128幅不同的图采样一个RoI即R-CNN和SPPnet的策略快64倍。 psSPP-net是先把所有图像用SS计算的RoIs存起来再从中每次随机选128个RoIs作为一个batch进行训练这128个RoIs最坏的情况来自128张不同的图像那么要对128张图像都送入网络计算其特征同时内存要把128张图像的各层feature maps都记录下来反向求导时要用所以时间和空间上开销都比较大而Fast R-CNN虽然也是SS计算RoIs但每次只选2张图像的RoIs(一张图像上约2000个RoIs)再从中选128个作为一个batch那么训练时只要计算和存储2张图像的Feature maps所以时间和内存开销更小 总结
尽管相比于RCNN和SPP Net更快更简便但Fast R-CNN仍是通过手工方法Selective Search寻找的候选框非常耗时。
