STDN: Scale-Transferrable Object Detection 论文笔记

原文链接：Scale-Transferrable Object Detection（暂时只有网盘的 - -）

这篇论文是上交的，收录于CVPR2018。

直接看算法过程。Figure1 是几种常见的detect算法对比，(a)是最原始的用一层feature来predict；(b)是FPN，Top-down结构；(c)是SSD，多scale检测；(d)是STDN，也就是本文算法，大致可以看出是和SSD比较类似的，base network是densenet 169，具体见figure 2 (densenet不清楚的移步这里)。

如下图2所示，STDN也是采用SSD的架构，构造出6个不同resolution layer来进行detect。

base ntework是densenet 169, 其网络结构移步这里。

在每个densenet block里，每个layer的输出size是一样的，从图2中看出作者采用的是最后一个densenet block里的6层layer来生成6个不同resolution layer（对应于shicai densenet的concat 5_5,contact5_10,……）。对于low resolution lauer，直接采用mean pool来生成，对于high resloution layer ，采用作者提出的scale transfer layer 进行上采样，这样就能得到如图2所示的6个用于predict的不同resolution layer。

那么scale transfer layer 是怎么进行上采样的呢？从图3可以看出，在此就不贴公式了，直接口头表述。对于H× W ×C · r2
的feature map，根据channel，以r2 为一组，将其划分为C组，每一组都可以理解为是r2个H × W 的feature map，把同一组的H × W 的feature map上的同一位置的像素点组合到一起，也就是说把1*1*r2变成了r*r*1*1，那么一组feature map就变成了rh*rw，完成了上采样。算法和DUC很相似。 

此外，为什么要用最后一个densenet block呢？作者说明了网络的顶层具有高语义信息和低细节信息（也就是低分辨率吧）更有利于进行OD，其实这个还是很好理解的，但是会不会引用一部分低block信息会更好一点呢？这个有待考究，有时间的话我会试一下~

文中作者也比较了，直接将VGG换为Densenet，接上SSD和STDN进行了比较，验证了算法的有效性。

再贴一个本文算法和其它算法在VOC上的对比图，效果还是蛮不错的。coco的就不贴了。。

总结：本文是基于SSD算法进行改进，前置网络采用densenet，考虑到追求速度，为什么要接那么多layer去生成low resolution layer呢，多浪费时间，何不从网络本身进行上下采样来获得predict layer。。反正densenent够深，特征提取的应该是很棒的。作者的上采样方法可以说是模仿DUC的。

文章看的比较匆促，表述不清或有错误的看官请指出，共同进步~

2018.05.08

最近想用一下这个层，本人还坚守在原版caffe，因此写了一个scale enlarge的layer，参考github, 博客链接.
可能会不一样的地方是,当bottom channels不能整除c^2的时候,top的最后一个channel对应的最后一张map我是用剩下的maps类似与做"mean pool"得到的,backward 类似于mean pool（求个小星星--）