目标检测--R-FCN: Object Detection via Region-based Fully Convolutional Networks

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1436564

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

Code: https://github.com/daijifeng001/r-fcn

https://www.arxiv.org/abs/1605.06409

本文针对目标检测问题，对候选区域进行分块处理，以此来解决分类和检测之间的一个矛盾：分类网络具有一定的平移不变性，而目标检测需要对位置保持敏感性。a dilemma between translation-invariance in image classification and translation-variance in object detection。

目标分块处理，一个很直接的结果就是对目标局部遮挡效果比较好。

本文没有探讨解决目标尺度问题。

1 Introduction

R-CNN 目标检测系列将目标检测问题分为两个步骤：卷积特征提取+候选区域分类，这两个步骤通过 RoI 池化层连接起来。卷积特征提取独立于RoI，RoI后面的计算不能共享计算。造成这种情况是由于历史原因：早期的网络模型如 AlexNet and VGG Nets 有两个子网络：卷积网络以空间池化层结束，全链接层。这个空间池化层就演变为后来的 RoI 池化层。

最近提出的分类网络如 Residual Nets (ResNets) 9 and GoogLeNets 24 , 26 都是全卷积网络，很自然的想法就是对检测系统使用全卷积网络，不要RoI 池化层，这样可以共享计算。但是实验发现这样做的效果不好。ResNet paper

9 又加入了 RoI 池化层，这样做提高了检测精度，但是增加了计算量，因为对每个候选区域的计算没有共享该计算。

去掉RoI 池化层为什么效果会不好了，这主要是因为类网络具有一定的平移不变性，而目标检测需要对位置保持敏感性。这里我们提出了一个简单的解决方法：对候选区域进行分块处理，这里使用了k×k = 3×3 , 这9个区域分别表示：上中下左中右。{ top-left, top-center,top-right, …, bottom-right}

输入一幅图像，经过卷积网络提取整个图像的卷积特征，然后使用一个 k*k*(C+1)-d 卷积网络提取 k*k position-sensitive score maps，假设 k=3， 就是将一个候选区域分成 3*3=9个块，对应9个 position-sensitive score maps，上图显示第一个 position-sensitive score map是 top-left，就是目标左上块的卷积响应图，其他响应图以此类推。得到9个分块响应图之后，对于一个候选区域，我们可以从这9个分块响应图中得到完整的候选区域响应图。再对这个完整的候选区域响应图进行处理，得到分类结果。

行人分块检测示意图：

候选区域框发生偏移的效果：

整个系统如下所示，使用 RPN提取候选区域，卷积计算都共享

R-FCN 和 Faster R-CNN 对比：

检测效果图：