Fast R-CNN

原論文

• https://arxiv.org/pdf/1504.08083.pdf

概要

• SPP-netのSPPの代わりにRoI PoolingというPoolingを使用。

• loss計算にMulti-task Lossを使用し、classificationとbounding box regressorを同時に学習。

• RoI PoolingはSPPよりもシンプルであり、RoI領域(出力層におけるregion proposalの領域)をグリッド分割し、各グリッド毎にmax poolingを実施する方式である。

• グリッドサイズはH, WのHyper parameterで、前段のCNNのアーキテクチャにより変わる。

  • VGG16の場合、linear直前のmax poolingが7x7なので、H=W=7となる。

• CNNをFast R-CNN向けに変換する場合、以下のステップを経る。

  • 最後のmax pooling処理を、RoI poolingに置き換える。

  • その後、いくつかのlinear層を得て、classification用のlinear+softmaxとbounding box用のlinear層に分岐させる。

• Multi-tasl lossは、cross entropy + lamda * regression errorで計算する。

  • ここで、regression errorは、backgroundの場合は使わない。

  • 回帰モデルに使う損失関数もR-CNNのときから変わっている。

    • L2損失からL1損失となり、外れ値に強いロス関数となっている。

  • lambdaは1として実験されている。

• 高速化の工夫として、mini-batchの作成方法にも階層的サンプリングという工夫をしている。

  • R-CNNやSPPは、ROIレベルでサンプリングを実施した。つまりbatch size=128の場合、128個の入力画像を使う。

  • Fast R-CNNは、まず入力画像をN個サンプリングし、N個の画像からbatch size/N個のROIをサンプリングすることで、mini-batchを作る。

  • Nを小さくすることで、CNN部のfeedfowardする回数が少なくて済む。

  • N=2、batch size=128で良好な結果を得ることができている。

• その他、サンプリングはmini-batch内の25%を正例とし、IoUが0.5以上を正例、IoUが0.1以上0.5未満を負例とする。

• 更にlinear層の高速化手段としてSVDでの低ランク行列への近似を行う。