# Fast R-CNN
###### tags: `Paper reading`
qwreqr
## Paper Link
#### [Click here](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf)
---
## Abstract & Introduction
### Compared to R-CNN
* Improve training and testing speed
* trains 9× faster (VGG16)
* test-time 213× faster
* Increasing detection accuracy
* mAP on PASCAL VOC 2012 is 66%
### Compared to [SPP net](https://arxiv.org/pdf/1406.4729.pdf)
> SPPNet is 24-102× faster than the R-CNN
* Improve training and testing speed
* trains 3× faster(VGG16)
* test-time 10× faster

RCNN(上) & SPPnet(下)

### Contributions
* Higher detection quality (mAP)
* Training is single-stage, using a multi-task loss
> * Fast R-CNN的loss func包含 :
> * Softmax的loss
> * BBox Regression的loss
* Training can update all network layers
> 改善SPP只對fc作微調
* No disk storage is required for feature caching
> R-CNN:每一個候選框都當做輸入進入CNN了
> Fast R-CNN:輸入一張完整的圖片，在第五個卷積層再得到每個候選框的特徵

---
## Method
### Architecture
Architecture From Paper

1. 輸入Image
2. 進行convolution，並依次產稱ROI
3. ROI Pooling layer
* Resize 不同大小的feature map
> RCNN v.s. Fast RCNN
> * RCNN提取2000個Region Proposal並wrap完才去做CNN
> * Fast RCNN做完CNN後透過ROI Pooling統一調整大小
5. FC
6. softmax
7. bbox regression

***

### RoI Projection
存取BBox的中心點座標與長寬，便可得到feature map中Region Proposal對應的區域。其中RoI的位置由左上角的坐標(x,y)和窗口的高和寬（h，w）組成
***

### RoI Pooling
* SPP net

將不同size的feature map處理後得到相同特徵長度

1. 藍色部分
把feature map劃分成4*4的小方塊,每個小方塊的寬高分別為w/4,h/4,通道數為c(不能整除時需要取整)。
分別在這16個小方塊進行MaxPooling，所以共有16c個值。
2. 綠色部分
把feature map劃分成2*2的小方塊,使用同樣的方法得到4c個值
3. 灰色部分
把feature map劃分成1*1的小方塊,得到c個值
4. 串在一起
通過ROI Pooling層得到的特徵表示是固定長度16c+4c+c=21c, 與輸入的h,w無關。
* RoI Pooling layer
利用SPP net的方法，只是將feature map上的RoI區域劃分為7×7的方塊，然後得到7×7×256的輸出。

---
## Loss Function
### Multi-task loss
loss = Softmax loss + bbox reg loss
> * p = (p0, . . . , pK)
> 是機率，因softmax的預測輸出是類別的機率分佈
> p是通過在完全連接層的K + 1(背景)個輸出上的softmax計算的

> * u = a ground-truth class
> 因 [Iverson bracket](https://zh.wikipedia.org/wiki/%E8%89%BE%E4%BD%9B%E6%A3%AE%E6%8B%AC%E5%8F%B7)，所以 ，當u>=1時才有意義，u=0時表示背景

> * 
> K個object classes中的每一個bbox reg偏移量
> Bbox reg的output

> * v = ground-truth bounding-box regression target 

> * λ controls the balance between the two task losses
> All experiments use λ = 1
#### Softmax loss

#### bbox reg loss

---
## Q&A
* Training is single-stage

原本Region Proposal+classification是two stage，但因為CNN是pretrain，所以才說是Training is single-stage
>single-stage定義:把object localization和classification合併一起處理。

* SVM分類如果沒有那類別

依樣會分到某一類，但透過設定準確率低於某個數值可以將他排除

* Bbox reg調整那裡的參數

Bbox reg調整的是他前一層fc的參數