理解目标检测算法之R-FCN
在上一篇博文中，笔者写到了对Roi Pooling和Roi Align的区别的理解，当时不禁觉得Mask rcnn引入了Roi Align操作，进一步优化了目标检测任务的定位精度，然后在想，如果想继续优化，又有什么可供优化的方向呢，百思不得其解。后来又一次跟同事交流这个问题，然后无意间了解到凯明大神后面又联合提出了R-FCN。然后笔者查阅了一些资料和原论文，有了自己的一些理解和体会，故这里记录下来，也希望对大家能有所帮助。
1 动机
R-FCN，全称为“Region-based fully convolutional network”，该文章的发表时间可以参见下图，
作为Two-stage的目标检测算法，它是对Faster R-CNN所做的优化。大家可能会比较好奇，Faster R-CNN是凯明大神提出来的，检测精度已经很好了，还有什么可选的优化点呢，R-FCN关注点并不是检测精度，而是检测速度。可以参见下面的图来理解这个问题，
由图可见，Faster RCNN对每一个Roi区域，分别经过一个subnetwork，这个subnetwork包含了一次global average pool操作，两次FC操作。因为每一个Roi的计算并没有共享，所以这种网络结构是比较耗时的。
为了解决这个问题，比较直接的想法是，把这两层FC操作放到Roi pooling前面，这样的话，每一个Roi区域只需要经过global average pool操作即可，节约了计算量。但是，这样做带来了另外一个问题，由于global average pool操作得到的特征缺失了很多的空间域信息，如果直接用来回归坐标会导致定位精度不准。为了保留更多的空间域位置信息，R-FCN中提出了“position-sensitive score map”的概念。
2 R-FCN网络结构
R-FCN的网络结构如下图，同Faster RCNN比起来，它有２点不同，
（１）Shared convolutional subnetwork不同。Faster RCNN是把RPN得到的RoI直接映射到Resnet101的最后一个卷积层(2048个channels)，而R-FCN将Resnet101的最后一个卷积层映射到具有 个channels的特征层，作者将该特征层称之为"position-sensitive score maps"，然后把RoI映射到该特征层；
（２）RoI-wise subnetwork不同。Faster RCNN的subnetwork经过了全连接层做特征组合，然后执行分类和坐标回归的双任务，R-FCN基于pool和vote操作后得到的特征向量，执行分类任务。
具体的参数对比如下表，
下面分别解释这两点，
2.1 position-sensitive score maps
“position-sensitive score maps”，翻译过来为“位置敏感打分图”，从名字上就可以看出，该层feature maps是对位置信息具有敏感性的，有助于后面的定位任务。那么如何得到位置敏感的feature maps呢，可以参见下图，
若一个RoI的尺寸为，为了对该RoI的信息进行编码，作者将其划分成大小为的bins，因此每个bin的尺寸为，图中3x3 的网格立方体表示编码后的RoI投影到该位置敏感feature maps上的位置，不同颜色代表不同位置的信息，从黄色到浅蓝色依次为top-left、top-center、bottom-right。假设我们想得到当前RoI预测为“人”的概率，要先从top-left、、、bottom-right中分别挑选出预测为人的不同部位的概率值，然后将这些概率值拼接成的feature map，若总共有C个类别，则得到的热力图维度为 。
2.2 RoI-wise subnetwork
关于分类任务，对于每一个RoI区域，得到了热力图尺寸为，对于每一个channel，使用average pooling操作得到总的打分，从而得到了维度为
的特征向量，然后使用softmax函数对特征值进行归一化操作，从而得到当前RoI属于所有类别的scores。
关于回归任务，同上，对于每一个RoI区域，得到了热力图，区别在于该热力图的尺寸为。
3 R-FCN网络存在的问题
网络中的"position-sensitive score maps"的维度较大，比如当k=7，类别数为80（coco数据集）时，该打分图的channels维度为，所以该卷积层占用了较多的参数和内存，导致推理速度变慢，然后，有学者就在想，能否减少该打分图的channels维度呢，于是催生了另一篇目标检测文章“Light-Head R-CNN: In Defense of Two-Stage Object Detector”，感兴趣的读者可以参见下一篇博文。
参考资料：