Fast R-CNN é um modelo de Machine learning para detecção e localização de objetos, introduzido em abril de 2015 como uma melhoria em relação ao R-CNN original. Ele pertence à família de Redes Neurais Convolucionais baseadas em regiões (R-CNN, que visam identificar objetos em imagens gerando caixas delimitadoras e rótulos de categorias. Fast R-CNN aborda uma ineficiência chave de seu predecessor ao executar a Neural network subjacente apenas uma vez na imagem inteira, em vez de separadamente em cada uma dos milhares de regiões candidatas, levando a treinamento e inferência mais rápidos enquanto mantém a precisão
O modelo foi desenvolvido por Ross Girshick, com base em trabalhos anteriores com R-CNN. Ele usa um algoritmo de busca seletiva para propor regiões de interesse(ROIs, que são então processadas por uma rede convolucional. Um módulo dedicado de ROIPooling extrai mapas de características de tamanho fixo para cada ROI, que são subsequentemente classificados e refinados para regressão de caixas delimitadoras. Este design reduz significativamente a redundância computacional em comparação com R-CNN, que calculava características independentemente para cada ROI
Arquitetura
A arquitetura do Fast R-CNN consiste em uma espinha dorsal convolucional(por exemplo, VGG16) que processa a imagem de entrada uma vez, produzindo um mapa de características. A busca seletiva gera até 2000 propostas de região a partir da imagem. Cada proposta é mapeada para uma região no mapa de características, e o ROIPooling divide essa região em uma grade fixa(por exemplo, 7x7, aplicando max pooling para produzir uma saída de tamanho fixo. Essas características agrupadas são alimentadas em camadas totalmente conectadas que produzem probabilidades de classe softmax e deslocamentos de caixas delimitadoras. A rede inteira é treinada de ponta a ponta usando uma perda multi-tarefa combinando classificação e regressão
Diferente do R-CNN original, que exigia um estágio de treinamento separado para cada componente, Fast R-CNN otimiza conjuntamente todas as camadas, simplificando o pipeline de treinamento. O uso de ROIPooling permite que gradientes fluam através das propostas de região durante a retropropagação, possibilitando aprendizado eficiente
Melhorias em relação ao R-CNN
A principal melhoria do Fast R-CNN é a eficiência computacional. R-CNN processava cada uma das 2000 ROIs através da CNN independentemente, levando a uma enorme computação redundante. Fast R-CNN compartilha a computação convolucional entre todas as ROIs, reduzindo o tempo de treinamento de dias para horas e acelerando a inferência em mais de 200 vezes. Além disso, Fast R-CNN usa uma perda multi-tarefa que otimiza simultaneamente classificação e regressão de caixas delimitadoras, melhorando a precisão de localização em comparação com os estágios de treinamento separados do R-CNN
Outra mudança notável é o uso de um classificador softmax em vez das máquinas de vetores de suporte(SVMs) usadas no R-CNN, simplificando o modelo e melhorando o desempenho. A camada ROIPooling também permite treinamento de ponta a ponta, o que não era possível no R-CNN original devido ao seu procedimento de treinamento desconexo
Impacto e Legado
Fast R-CNN foi um marco significativo na detecção de objetos, influenciando modelos subsequentes. Ele foi seguido por Faster R-CNN em junho de 2015, que substituiu a busca seletiva por uma rede de proposta de região integrada à rede neural, melhorando ainda mais velocidade e precisão. Extensões posteriores incluem Mask R-CNN(março de 2017) para segmentação de instâncias, Cascade R-CNN(dezembro de 2017)para localização melhorada com limiares crescentes de IoU, e Mesh R-CNN(junho de 2019)para geração de malhas 3D. A família R-CNN tem sido aplicada a tarefas como rastreamento de objetos a partir de câmeras de drones, localização de texto, e alimentação do Google Lens
A arquitetura do Fast R-CNN, particularmente o ROIPooling, influenciou muitos frameworks de detecção subsequentes. Seus princípios de computação compartilhada e treinamento de ponta a ponta são agora padrão em detectores de objetos modernos, incluindo aqueles usados em aplicações de Deep learning
Treinamento e Desempenho
Fast R-CNN é treinado em conjuntos de dados como PASCAL VOC e COCO, usando descida de gradiente estocástica com um cronograma de taxa de aprendizado. Ele tipicamente usa uma espinha dorsal pré-treinada(por exemplo, VGG16) ajustada finamente no conjunto de dados alvo. O modelo alcança alta precisão média( mAP) em conjuntos de dados de referência, com acelerações significativas sobre R-CNN. Por exemplo, em PASCAL VOC 2012, Fast R-CNN alcançou um mAP de 66% enquanto sendo cerca de 25 vezes mais rápido na inferência do que R-CNN
O processo de treinamento envolve amostragem de ROIs a partir de um pequeno número de imagens por lote, equilibrando exemplos positivos e negativos. A perda multi-tarefa pondera classificação e regressão, com hiperparâmetros ajustados para desempenho ótimo. A eficiência do Fast R-CNN tornou-o prático para aplicações do mundo real, contribuindo para sua adoção generalizada na pesquisa e indústria de visão computacional