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简化为了RoI Pooling。
SPP layer是在RP上做3-stage (每个scale宽高比相等但 $H×W$ 大小不等) 的max pooling；RoI Pooling将之简化为1-stage的max pooling。
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

$L_{loc}$ ：由R-CNN、SPPNet时代沿用的 $L_2$ 演化为了 $Smooth\ L_1$ 。

batch层面

RBG大神提出了mini-batch (即N=2) 的认知。

backbone层面

出于backbone的限制，R-CNN、SPPNet的backbone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backbone。

在SPPNet中，由于其backbone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backbone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。