《R-FCN: Object Detection via Region-based Fully Convolutional Networks》论文详解

《R-FCN: Object Detection via Region-based Fully Convolutional Networks》

作者公布的代码地址（caffe版）：https://github.com/daijifeng001/r-fcn

这篇文章主要目的还是想再在fasterrcnn的基础上，加快物体检测的速度，但是网络加速时需要注意，物体检测其实是有两个目标的，一个是检测一个是分类。fasterrcnn的做法是将任务分为两个阶段，也就是rpn前和rpn后，具体可以参考Faster R-CNN文章详细解读。

文章认为分类是需要平移不变性的（translation invariance），即即使物体在图像中存在位置变化，网络应该仍然能正确的进行分类。而定位却需要对物体平移敏感。网络越深则对于位置越不敏感。rpn的提出就能很好的解决这种问题。rpn网络之前的步骤都是特征共享的，当网络深的时候，为了使得定位准确，加了rpn结构，但是rpn后每次有个roi区域就要进行一次定位和分类任务，这样就会导致网络速度慢。为了加速，文章提出了rfcn结构。

这里插一句题外话，虽然文章没说cnn网络是否具有平移不变性，但是读着总感觉有那个意思，这一点其实是有争议的，看文章《Why do deep convolutional networks generalize so poorly to small image transformations? 》，实验验证cnn网络其实是没有平移不变性的

一、网络结构

网络结构如下图所示

图中能看出该网络仍存在rpn的结构，但为什么可以加速，原因就在后面的彩色部分，这部分也是文章提出的重点内容。

彩色部分层叫做位置敏感分数图（position-sensitive score maps），为了方便理解这部分，我们先讨论分类任务。

假设现在待分类的有C类（不包括背景），加背景就是C+1类，roi pooling的大小是$k \times k$k×k的，那么对于分类任务来说，position-sensitive score maps输出的通道数为$k^2(C+1)$k2(C+1)。这个数是有讲究的，在roipooling的时候是将roi分为$k \times k$k×k大小进行pooling操作的，那现在roi区域怎么来，这里就是与fasterrcnn的区别了。现在position-sensitive score maps每个部分负责一个$k \times k$k×kroi的区域，如上图黄色负责左上角，灰色负责右下角，那么一个$k \times k$k×k就是从对应的颜色map中抽一部分特征来合成roi区域，合成后的通道数为C+1，长宽为$k$k，最后进过一个$k \times k$k×k的roipooling和一个softmax就可以得到C+1类的概率了。

对于定位来说也是类似，只是position-sensitive score maps的通道数为$k^2*4$k2∗4，四个值同fasterrcnn。

对于抽取position-sensitive score maps的部分，如下两图所示

二、训练与推断部分

训练的loss和推断部分也是可以沿用fasterrcnn那套就不详细说明了。Faster R-CNN文章详细解读

通过position-sensitive score maps的提出，可以认为网络都是共享的，不像fasterrcnn那样被rpn分为两部分。对更极端的rcnn来说，rpn部分是传统算法提出来的，也就整个网络都是rpn后的处理操作，那它就没有共享的卷积（这里共享的卷积是对于整幅图来说的）。对于resnet-101，文章给出的如下表格来说明不同算法的卷积层数的分布：