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) 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 k2 k 2 个map块。抠出来分别做 global average pooling (论文说global max pooling也行) ：

得到的 k2 k 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×1 k × k × 1 的小grid。由于每个RoI对应 C+1 C + 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 ) 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 k2 k 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 k2 k 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