Faster R-CNN 從2015年底至今已經有接近兩年了，但依舊還是Object Detection領域的主流框架之一，雖然推出了後續 R-FCN，Mask R-CNN 等改進框架，但基本結構變化不大。同時不乏有SSD，YOLO等骨骼清奇的新作，但精度上依然以Faster R-CNN為最好。對於一般的通用檢測問題（例如行人檢測，車輛檢測，文字檢測），只需在ImageNet pre-train model上進行若干次 fine-tune，就能得到非常好的效果。相比於刷pascal voc，Imagenet，coco 等benchmarks，大多數人感興趣的可能是如何應用到自己的檢測目標上。

        PS: 一作任少卿大神人挺帥的，回答問題還很耐心。

        Faster R-CNN 主要由三個部分組成：（1）基礎特徵提取網路（2）RPN (Region Proposal Network) （3）Fast-RCNN 。其中RPN和Fast-RCNN共享特徵提取卷積層，思路上依舊延續提取proposal + 分類的思想。後人在此框架上，推出了一些更新，也主要是針對以上三點。

1. 更好的特徵網路

    （1）ResNet，PVANet

      ResNet CVPR2016 oral 

      ResNet 依然是現在最好的基礎網路，ResNeXT可能效能上比他好一點，但不是很主流，通過將Faster-RCNN中的VGG16替換成ResNet可以提高performance，不僅是detection，在segmentation，video analysis，recognition等其他領域，使用更深的ResNet都可以得到穩定的提升。

      PASCAL VOC  2007 上，通過將VGG-16替換成ResNet-101，mAP從73.2%提高到76.4%， PASACAL 2012 上從70.4%提高到73.8%

      值得注意的是，ResNet版本的Faster-RCNN連線方法和Baseline 版本不太一致，具體見任少卿在PAMI 2015中提到 https://arxiv.org/abs/1504.06066。以ResNet-101為例，參考下圖方式，其中res5c,atrous + fc4096 + fc4096 + fcn+1 的方式是和baseline版本一致的方式，而res4b22+res5a+res5b+rec5c+fcn+1 是最終採取的方式。這種連線方式使得ResNet-faster-rcnn成為全卷積結構，大大減少模型大小，同時在效能上有一定提升。

                                                               

       在速度方面，ResNet比VGG16更慢，同時需要訓練的次數也更多，個人實驗結果vgg16 baseline版本訓練一輪耗時1.5s，ResNet版本一輪耗時2.0s，同時記憶體佔用量也遠遠大於VGG16，大概四五倍，沒有12G的GPU就不要想用了。

      PVANet NIPS2016 workshop

      PVANet是幾個韓國人鼓搗出來的一個更深但快速的基礎網路，在VOC2012上效果達到82.5%，接近Faster R-CNN  + ResNet-101 +++ 和 R-FCN的結果，但是速度上快非常多。實際驗證結果，訓練和測試速度都比baseline版本快一倍左右。不過，這個網路非常難訓練，收斂困難，loss會比較大，選用的訓練方法是plateau，在一些比較困難的任務上，大概得好幾倍的迭代次數才能達到和VGG16效能相當程度。另外，82.5%這個效能也並非全部得益於PVANet，文章中把anchor數量增加到40多個，還做了一些小改動。個人認為，PVANet的速度廣受認可，但效能頂多和VGG16相當，不如ResNet。

 （2） Hierarchy Feature

      代表作有HyperNet，同樣的思想在SSD和FCN中也有用到，將多層次的卷積網路feature map接在一起

      HpyerNet 

      以VGG-16為例，將conv1，conv3，conv5三層接在一起，形成一個Hyper Feature，以Hpyer Feature maps 代替原有的conv5_3，用於RPN和Fast-RCNN。該文章問題出發點針對小目標和定位精度，由於CNN的本身特點，隨著層數加深，特徵變得越來越抽象和語義，但解析度卻隨之下降。Conv5_3 每一個畫素點對應的stride = 16 pixel，如果能在conv3_3上做預測，一個畫素點對應的stride = 4 pixel，相當於可以獲得更好的精度，而conv5_3代表的語義資訊對分類有幫助，結合下來，相當於一個定位精度和分類精度的折中。下圖是以AlexNet為例，不同層接法在Pascal VOC 2007上的結果，可以看到，1+3+5會取得不錯的效果。

2. 更精準更精細的RPN

     （1）FPN

     （2）more anchors

3. ROI分類方法

     （1）PS-ROI-POOLING

       R-FCN：

     （2）ROI-Align & multi-task benefits

       Mask R-CNN ：

     （3）multi-layer roi-pooling

       DeepText：

       一篇將Faster RCNN應用在文字檢測的文章，裡面的contribution比較瑣碎，但有一點小改進經驗證過相當有效，就是roi分別在conv4，conv5上做roi-pooling，合併後再進行分類。這樣基本不增加計算量，又能利用更高解析度的conv4。

       

4. sample and post-process

    （1）Hard example mining 

      OHEM

Paper：  Code：

    （2）GAN

      A-Fast-RCNN 

      這篇文章比較新穎，蹭上了GAN的熱點，利用GAN線上產生一些遮擋形變的positive sample。與Fast-RCNN比較，在VOC2007上，mAP增加了2.3%，VOC2012上增加了2.6%。

    （3）soft-NMS

      Soft-NMS （Improving Object Detection With One Line of Code）

     該篇文章主要focus在後處理NMS上，不得不承認，對於很多問題，後處理的方法會對結果產生幾個點的影響。雖然我自己試驗過，在我的任務上，Soft-NMS得到的結果和NMS完全一致，該後處理方式可能不具備推廣性，但是好在嘗試起來非常容易，代價也很小，只需要替換一個函式就可以，所以大家不妨可以試驗一下。