论文阅读: R-FCN
Introduction
检测算法的速度瓶颈主要包括以下三个：
速度瓶颈 | 解决者 | 时间 | 解决方案 |
|---|---|---|---|
特征抽取 | SPPNet | 2014 | 共享特征抽取 |
proposal生成 | Faster R-CNN | 2015 | 由CNN来生成proposal |
proposal的处理 | R-FCN | 2016 | 共享proposal处理 |
由上表易知，R-FCN就是为了 解决 不共享的proposal处理过程 而诞生的。
在这之前，SPPNet通过“共享特征抽取”，免去了前半段网络的重复计算；而后半段的网络依然要重复无数次 (对每个proposal都要计算一遍) ，极其耗时。
而到了Fast R-CNN中，由于在FCN里契入了负责处理位置信息的RoI Pooling，提出前半段负责“特征抽取”，后半段负责“proposal处理”的检测网络 (其实后面还有cls和reg双分支，这里略过) 。然而依然没有针对后半段网络的重复计算进行改进。
R-FCN针对这个痛病，将处理位置信息的任务交给了 “ position-sensitive score map ” (位置敏感得分图) 来做，从而炒了RoI Pooling的鱿鱼。检测网络的前半段和后半段被完整地连到了一起，形成一个FCN (全卷积网络)：
position-sensitive score map是通过一个 k2(C+1)k2(C+1)k^2 (C+1) 的卷积操作来得到的：
其中：
- k：表示每个RoI在每个维度上会被k等分，一般取值3；k=1时，表示在整个RoI上直接做global pooling。
- C：表示总的前景类别数，C+1表示总的类别数 (前景加背景) 。
每种颜色代表RoI的一个相对位置(如“左上角”、“右下角”等等)，每种颜色对应的channel数为C+1(注意不是C)，表示该相对位置是第c类(也可能是第0类，即背景)的可能性。
对RoI可能的每个类别而言，对应有不相邻的k2k2k^2个map块。抠出来分别做 global average pooling (论文说global max pooling也行) ：
得到的k2k2k^2个单值分别按照正方形的相对位置填进去，组成一个k×k×1k×k×1k×k×1的小grid。由于每个RoI对应C+1C+1C+1种可能的类，于是每个RoI最终能得到一个k×k×(C+1)k×k×(C+1)k×k×(C+1)的厚grid。这里面既包含了位置信息，也包含了分类信息。
接着如传统的two-stage检测算法惯用做法一样，NMS降低其数量级，接着送入双分支(cls和reg)。
Innovation
有了position-sensitive score map机制，则如果一个bbox能很好地overlap上某个类别为c(也可能是第0类，即背景)的object，那么c类别下对应的k2k2k^2个小grid应该都会得到较好的activation。将它们取global average pooling，就可以得到较高的score。对所有的C+1个类别得到的C+1个score进行softmax，就能判定该RoI属于类别c：
同理，和所有object的overlap都较小的RoI，不管在哪一种类别的判别下，对应的k2k2k^2个小grid都很难(或者只是小部分)被activate。经过global average pooling后，无一例外只能得到较低的score。从而该RoI被判为 类别0 (即“背景”)：
Result
将R-FCN与当时的主流检测网络Faster R-CNN进行性能对比。
在VOC2007上：
在VOC2012上：
在COCO上：
总而言之：
- R-FCN的 accuracy 和Faster R-CNN相差无几(实际上稍逊于Faster R-CNN)；
- inference speed 却快了整整2.5~20倍。
附上R-FCN的一些检测效果图：
Thinking
R-FCN是一个兼顾精度和速度的经典算法，开启了检测算法的一个新研究方向。此后的Light-Head R-CNN、R-FCN-3000、DetNet，均是踩着R-FCN的肩膀提出的。
论文Speed/accuracy trade-offs for modern convolutional object detectors中指出：
- R-FCN的精度稍逊于Faster R-CNN，优于SSD；
- R-FCN的速度快于Faster R-CNN，慢于SSD；
- R-FCN由于其设计的动机就是为了免去proposal的重复计算，所以R-FCN的性能(精度和速度)对于proposal的数量不敏感，proposal数量取100时性能最优；
- Faster R-CNN一旦将proposal数量降到50个，就会在速度和精度上接近proposal数量取100的R-FCN。
但是呢，R-FCN所设计的position-sensitive score map虽然免去了proposal的重复处理，却也由于其自身厚重的设计而为人所诟病。这也为Li Zeming大神提出score map更轻薄的Light-Head R-CNN埋下了伏笔。
[1] R-FCN: Object Detection via Region-based Fully Convolutional Networks [2] 论文阅读: Speed/accuracy trade-offs for modern convolutional object detectors [3] 论文阅读: Light-head R-CNN