Light Head R-CNN: In Defense of Two-Stage Object Detector

参考：https://www.sohu.com/a/212814713_610300

论文：https://arxiv.org/abs/1711.07264

源码：https://github.com/zengarden/light_head_rcnn

Motivation：

two-stage方法的头太重，STOA的two-stage方法（Faster和R-FCN），Faster R-CNN 用两个厚重的fc做proposal的预测（ROI数目通常比较大，则非常慢），而R-FCN则通过制造了一个 (类别数x7x7)channel的大score map（在类别数多时PS score map计算量很大），除去basemodel的那部分，两个方法都引入了比较大的计算量。

提出想法：

里面最重要的点，就是把pooling的feature map变得特别薄。为什么要把它变薄呢？因为Head那一部分，复杂度有两个因素决定：pool的feature map的厚度；以及对pool出来的feature进行分类和回归的那一部分，如果这部分逻辑比较多，它依然会对于整体的网络效率有所影响。

另外，以上两个模型本身存在一些问题。Faster fc前面的GAP，为了减少计算量引入（ROI的channel数目也比较大），但是会使ROI失去位置相关信息。R-FCN直接使用GAP投票进行预测的精度不够高。

实验探索：

最早的时候在原本的R-FCN上做了一次实验。我们试过把pool的feature map的厚度压到10×P×P，相当于把原来3900多个channel，压到了490个channel。然后发现掉的点几乎没有。我们在VOC上做过一系列的实验，压成10×P×P是根本不会掉点的。在COCO上面只会掉零点几，再把它压得更多一点，压成5×P×P也只是掉零点几。 

本来也想做一组基于faster R-CNN的把feature map变薄的实验。但是这个实验其实不能直接这么比。 这是为什么呢？因为第二个stage的两个全连接层计算量挺大的，不能直接把pooling的feature map给减小；即便是要减小，也要把第二个stage的计算量给砍下来。

因此在faster的基础上更改显得不那么可行（我猜的^-^）

模型创新：

作者主要是在r-fcn基础上做的改进。由于压薄pool的feature map的厚度对精度影响很小，作者用sparse convolution产生thin feature map替代了可直接投票预测的PS score map。但是由于得到的PS score map无显式的类别信息，后面需要加一个卷积层得到最后的结果。同时，因为用于pooling的feature map很薄了，所以可以上一个比较大一点的卷积层，这个也会带来一点点性能的提升。

如此，便得到了最终的子弹头模型啦！！

上图：

撒花！！！

喜欢的小伙伴们多多打赏，点赞哦~~~么么哒