@改進1：RFCN

       論文：R-FCN: Object Detection via Region-based Fully Convolutional Networks    【點選下載】

       MXNet程式碼：【Github】

一. 背景介紹

       RCNN 在目標檢測上取得了很大的成功，比如 SPPnet、Fast R-CNN、Faster R-CNN 等，這些方法的典型特徵都是 一個二分網路，以 ROI Pooling 為界，前面子網路用於特徵提取，後面子網路用於 目標檢測（Per ROI），帶來的問題是 後面的子網路需要對每一個 ROI（Candidate）進行重複計算

       這種模式的形成是有原因的：Detection 來自於前期的分類網路（如 AlexNet、VGG），最後一個 Spatial Pooling 層直觀對應到 RoI Pooling，這算是一個歷史問題。

       新提出的幾個網路（ResNet、GoogLeNets）原生就是全卷積網路，因此也就將這種結構天然的對應到 Detection 問題上，想在 ResNet 上實現Detection，需要增加一個 ROI Pooling 層，但插入的位置很關鍵（每個 ROI 候選框對應一次計算，對應 後面子網的計算量 x N）：

• 越靠近 Input - 對應 ROI-Wise 檢測子網越深，準確度也就越高；
• 越靠近 Output - 對應 ROI-Wise 子網越淺，針對每個 ROI 計算量就越小，效率提高；

       PS：減少 Proposal（ROI）的數量也是一個好辦法，這對 Proposal 的要求會比較高（根據得分排序），先不討論這種思路。

       通過上面 可選的方案對比，可以看到 R-CNN 直接輸入 Proposal，因此整個網路都用作檢測，Faster 保留了後面10層用於檢測，而作者新提出的方法則是 將 101 層全部用於共享，那麼這種方案的可行性是怎麼來保證的呢？

二. 提出框架

       作者首先分析了 分類/檢測 這兩類問題的區別：

● 分類問題 - 具有平移不變性(Translation Invariance)；

● 檢測問題 - 在一定程度上具有平移敏感性 (Translation Variance)；

       通過 RoI pooling 的插入，打破了原卷積網路的平移不變性，但這種做法犧牲了訓練和測試效率（Region-Wise）。

       針對上述問題，作者提出了 一種新的卷積層 - Position Sensitive 的 Score Map，Score Map 包含了位置資訊，如下圖所示：

       有兩個關鍵層：

1）包含多個 Score Map 的卷積層；

      把目標分割成了 k*k 個部分（比如3*3），每個部分對映到一張 Score Map 上，每個 Score Map 對應目標的一部分（如上圖中的 top-left 左上角的 1/9）。

      最終得到 k*k 個Score Map，每一個 Map通道數為 分類個數 C+1。

2）一個 ROI Pooling 層；

      這個 ROI 層僅針對上面的其中一個 Score Map 執行 Pooling 操作，重新排列成 k*k，通道數為 C+1。

      ROI Pooling 層通過 k*k 個 Part 進行投票，得到分類結果。

       Score Map 和 ROI Pooling 層的工作方式示意如下：

三. 網路結構

       R-FCN 沿用了 Faster RCNN 的網路結構，通過 RPN 生成 Proposal，RPN 層與 Detection 共享前面的特徵層：

       R-FCN 的基礎網路部分是基於 ResNet101 的修改：

1）共享卷積子網

     去掉了最後的 average pooling 層和全連線層，並新增了一個卷積層進行降維，共101個卷積層。

2）RPN 子網

     與 Faster 一致，沒有變化。

3）檢測分類子網

     1個 Score Maps層 + 1個 ROI Pooling層，上一節提到的兩個關鍵層，與 RPN 並聯。

      > Scores Map & ROI 具體過程：

        Scores Maps 的組合是卷積層的關鍵部分，描述了目標的 Score 資訊，每一個 Score Map 對應目標的一部分，比如 上圖中黃色 Map 始終表示左上角，其 C+1 維通道表示了 分類類別（C個類別＋1個背景）。

       Pooling 過程：結合 ROI （W‘，H’）來看，bin（Pool之後得到的9個不同的顏色塊） 的尺寸描述為 （W‘／k，H’／k），對於上面的 3*3 的情況，每一個 bin 用公式來描述：

       其中 i,j 取值為［0，k)，理解為在 ROI 對應的其中一個 Map 上，取樣其中的 1/9，上圖中黃色 Map的取樣範圍始終為左上角，最右側淺藍色始終取樣右下角。

       投票過程是（每個類單獨計算）通過多個 bin 求和得到 一個類的 Score，並通過 Softmax 進行分類，Loss 函式定義為：

       分類 Loss 和 迴歸 Loss 通過一個引數 λ 加權平均，Lreg 同樣採用 L1 Smooth。

四. 實驗結果

      在 VOC07，VOC12，MS COCO 上的測試對比結果，具體的配置和細節可以參考原文，R-FCN 與 Faster R-CNN 的對比，效果幾乎相同，但效率有了成倍的提升。

@改進2：RON

       論文：RON: Reverse Connection with Objectness Prior Networks for Object Detection    【點選下載】

       Caffe程式碼：【Github】

一. 背景介紹

       論文首先闡述了 Region-Based 方法在精確度上的優點，以及 Region-Free 方法在效果上的表現，想結合這兩類方法，提出一種新的方法。

1）提出一種新的全卷積網路 RON；

      第一，通過 Reverse Connection 為前一層 Feature 提供更多語義資訊，第二，Objectness Prior 有效約束了目標搜尋區域，最後，通過多工 Loss 讓整個網路實現 end-to-end 訓練。

2）引入 Negative example mining（副樣本挖掘） 和 data augmentation（資料增強），有效提高檢測效果；

3）有效節約 計算時間 和 計算資源，1.5G視訊記憶體＋15fps，比 Faster R-CNN快3倍；

     另外，我們還拓展了更多的設計選擇，像不同層的合併，可選的Objectness Prior ，and so on。

       這裡面只有 1）算是文章創新，也是本文的核心；

                          2）頂多算是引入了別人的 Trick，不用考慮；

                          3）把功能效能搞混了吧，搞學術的童鞋湊數的本領強！

二. 演算法框架

       基礎框架為 VGG16，將其中的 FC6，FC7 替換為卷積層，並通過 2*2的卷積核（stride＝2）將 FC7 的解析度減半，FC8 未使用。

       特徵圖尺寸（基於 input 的縮放比例）分別為：1/8 (conv 4_3), 1/16 (conv 5_3), 1/32 (conv 6) , 1/64 (conv 7)。

       Follow 論文組織結構往下看：

1）Reverse Connection（反向連線）

      與作者之前的 HyperNet 一樣，採用 反捲積（Deconv）將當前層的語義資訊反饋到上層，通過一個上取樣與之前層進行 融合。

      多尺度資訊能夠對小目標有更好的檢測精度，這一點都有共識了，通過 conv4、5、6、7 各特徵層分別進行檢測。

2）Reference Boxes（參考框）

     參考框的提出與 Faster RCNN 裡的 Anchor 類似，這裡採用的是 2個尺度，5種長寬比 {1/3,1/2,1,2,3}，對應 10個 Anchor。

     尺度公式描述為：

     

      Smin 取值為 Input 尺寸的 1/10，對於 1000*1000的 image，Smin ＝ 100，對應每個特徵圖 k 得到：

k=1,   S1 = (100,200)

k=2,   S2 = (300,400)

k=3,   S3 = (500,600)

k=4,   S4 = (700,800)

3）Objectness Prior（目標先驗）

      對應上一節提出的 參考框（default boxes），只有很少一部分框包含目標，其餘大部分都是無效的背景，Region-Based 方法能夠通過預計算來解決這個問題，有效避免每個 Region 帶來的重複計算。作者提出的方法與之不同：

      用一個3x3x2的卷積 加 一個 Softmax 來表示每個 Box 裡面是否存在目標。

          PS：與 RPN 的區別在於這裡只有一個 2位的 Score（目標Score，背景Score），沒有位置偏移。

      下圖是 Prior 的一個視覺化效果（很明顯地反映有無目標）：

        

      圖中對10個目標先驗特徵圖沿通道方向取了平均。

4）Detection and Bounding Box Regression（檢測和邊框迴歸）

     與 Objectness Prior 不同，這裡要把目標分為 K+1個類：對應 VOC（20+1） COCO（80+1）。

     這裡引入了 inception 模組，看圖說話：

        

5）Combining Objectness Prior with Detection（結合目標先驗和檢測）

     訓練網路時，首先為每個候選區域指定一個二進位制 Label。如果候選區域包含目標，就再指定一個 特定類別 Label。

i）對每一個 Ground Truth Box，找到和它重疊面積最大的候選區域；

ii）對每個候選區域，找到和它重疊面積大於0.5的 Ground Truth；

    這種匹配策略保證每一個 Ground Truth 至少有一個候選框與之關聯，重疊比例小於0.3的作為負樣本。

    這樣，每一個 Box 有兩個 Label，Objectness（是否為目標） Label，Class Label。訓練的時候網路會根據 Objectness Prior 動態更新 Class Label。

    > 前向傳播時，網路首先產生目標先驗，並進行類別檢測。

    > 反向傳播時，網路首先會產生目標先驗，然後對於檢測，只會在 Objectness 得分大於某個閾值的區域內進行目標檢測，如下圖所示。

       額外的計算僅僅在於為反向傳播選擇訓練樣本。當選擇合適的閾值時（我們選擇閾值為0.03），樣本的數量減少了，這樣反向傳播的時間就縮短了。

        

三. 訓練及測試結果

   ● Loss函式：

       先來看 Loss 函式定義：

       將 目標檢測Loss、定位Loss、分類Loss 組成一個加權 Loss 函式，原文 3個項都為 1/3。

   ● 訓練過程：

a）對於 Objectness Prior，選擇全部的正樣本，隨機選取負樣本，保證正負樣本的比例為1:3；

b）對於 Detection，首先通過 Objectness Prior Score 減少樣本數量，然後選擇全部的正樣本，隨機選取負樣本，保證正負樣本的比例為1:3；

       Faster RCNN 和 RFCN 常常用 Multi Stage 訓練 做聯合優化，相比之下，我們這種端到端的訓練方法更有效率。訓練初期，目標先驗是一片吵雜。隨著訓練的進行，目標先驗圖越來越集中在目標附近。（這一點確實不敢苟同，Multi Stage 的作用保證的是更快收斂）。

   ● 資料增強：

      使用瞭如下策略：

1）使用 原始／翻轉 的Image 做 Input；

2）按照比例 { 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 } 從原圖中 Crop Patch，保證每個 Patch 中包含目標中心；

       這些方法可以有效增加大目標數量，對小目標沒有幫助。

       針對小目標，通過 Scale 將某個尺度下的大目標變成 較小的尺度下的小目標，這個訓練策略可以避免對特定目標尺寸的過擬合。

   ● 預測：

       每個 Box 的類置信度表示為：

       得到目標 Score之後，通過邊框迴歸調整 Box位置，最後用 NMS 得到最終檢測結果。

   ● 效果對比：

       作者分別在 VOC07，VOC12，COCO 資料集上給出了測試結果，我們只貼出來 VOC12 的效果對比：

        其他資料集 測試結果都差不多，總體上效果還是不錯的，大家可以跑程式碼之後對比。