2017-02-27-深度学习论文笔记：R-FCN

Abstract

• 提出了一个region-based, fully convolutional的网络来准确高效的进行物体检测。
• 不同于Faster R-CNN，本论文的region-based detector是完全卷积化的，几乎一张图像上所有的计算都是共享的。
• 为了实现这一目标，我们提出position-sensitive score maps，以解决在图像分类的平移不变性（translation-invariance）和物体检测中的平移可变性（translation-variance）之间的困境。

Introduction

• 最近流行的用于目标检测的深度学习框架依据RoI层的不同可以分为两大subnetworks：
  
  • 一类是共享的、fully convolutional的subnetwork。
  • 另一类是RoI-wise的subnetwork，不共享计算。
• 在图像分类网络中，一个convolutional subnetwork会以一个sptial pooling layer更随着几个fully-connected layer最为结尾，所以图像分类中的sptial pooling layer自然转化为目标检测中的RoI pooling layer。
• ResNet和GoogleLeNets都被设计成fully convolutional的。
• 在ResNet论文中，Faster R-CNN中的RoI pooling layer被不自然的插入到两个卷积层集之间，带来了准确率的提升，但是速度由于unshared per-RoI计算降低。
• 假设图像分类网络中更深层的卷积层对translation不敏感。
• 为了将translation variance结合到FCN中，我们通过使用一组专用卷积层作为FCN输出来构造一组位置敏感得分图（position-sensitive score maps）。每一个得分图将相对于相对空间位置（例如，“在对象的左边”）的位置信息进行编码。在这个FCN之上，我们附加一个位置敏感的RoI池层（position-sensitive RoI pooling layer），从这些得分图中获取信息，没有跟随的重量（卷积/ fc）层。

Our approach

• 本论文的方法参考与R-CNN，也是使用two-stage的目标检测策略。

  • region proposal
  • region classification

• 虽然不依赖于region proposal的目标检测方法确实存在，但是region-based system依旧在几个基准上保持领先的准确性。

• Overall architecture of R-FCN:

  

  用RPN来提出candidate RoIs，然后这些RoIs被应用到score maps，在RPN和R-FCN之间共享特征。

  最后卷积层为每个类别产生一组 k2 个position-sensitive score maps，因此具有带有C个对象类别（背景为+1）的 k2(C+1) 通道的输出层。

  每一个category有一个 k2 的score map

• RPN以一个position-sensitive RoI pooling layer结束，该层聚合最后卷积层的输出并产生每个RoI的分数。我们的position-sensitive RoI pooling layer进行选择性合并，each of the k × k bin aggregates responses from only one score map out of the bank of k × k score maps。利用端到端训练，这个RoI层管理最后的卷积层以学习专门的position-sensitive score maps。

  

Backbone architecture

• 本论文R-FCN基于ResNet-101。
• ResNet-101具有100个卷积层，后面是global average pooling和一个1000-class的fc层。我们移去了average pooling layer and the fc layer，仅使用convolutional layer来计算feature maps。
• 我们使用ResNet-101，在ImageNet上进行预训练，ResNet-101中的最后一个卷积块是2048-d，并且我们附加随机初始化的1024-d 1×1卷积层以减小尺寸。然后，我们应用 k2(C+1) 通道卷积层来生成分数图，如下所述。

Position-sensitive score maps & Position-sensitive RoI pooling.

• 为了将位置信息显式编码到每个RoI中，我们将RoI矩形划分为k x k个bins。
• 构造最后的卷积层为每个类别产生的 k2 个分数图。
• 利用average pooling。
• bounding boxes regression。

Training

• OHEM: online hard example mining

• loss function:

  

• 在前向传播中：每张图片N个proposals。我们计算所有N个proposal的loss，排序，选择最高的B个RoIs。然后在选中的proposal上进行反向传播。

• decay：0.0005

• momentum：0.9

• single-scale training。

• B=128

• lr = 0.001 ~20k, 0.0001 ~ 10k

• 同Faster R-CNN一趟，使用4步alternating training，在训练RPN和训练R-FCN之间。

Inference

• 为公平期间，在300个RoIs上进行评估，结果之后用NMS进行处理，IoU阈值0.3

À trous and stride

• 将ResNet-10的有效stride从32减为16像素，提高了score map的分辨率。
• Algorithme à trous