Deformable Convolutional Network论文解读
卷积神经网络由于固定的几何结构一直受限于对几何形变的建模，这篇工作引入了两个新模块——deformable convolution和deformable RoI pooling。deformable convolution 和deformable RoI pooling都是基于一个平行网络分支学习offset（偏移），使卷积核在input map的采样点发生偏移，集中于我们感兴趣的区域或目标。同时这个组件可以轻松地替代CNN中的普通卷积，并且很容易通过反向传播进行end-to-end的训练，而且效果不错。
1. Introduction
在计算机视觉识别领域，一项重要挑战就是怎样对几何形变和模型几何变换（目标尺度、姿势、视点和形变）进行建模。一般来讲，有两种方法：第一种是就是通过仿射变换等手段做数据增广，扩充数据集，使得训练集中尽可能包含具有更多形变的样本；第二种就是使用形变不变性的特征或者算法（如SIFT和滑窗算法）。但上面的方法有两个缺点：
- 几何形变被假设是固定和已知的，这是一种先验信息，用这些有限的、已知的形变来进行数据扩增或设计算法，可想而知，对于新的、未知的形变则无法处理。
- 手工设计的特征或算法无法应对过度复杂的形变，即便该形变是已知的。
而作者引入的这两个模块都是轻量级的，他们添加了很少的参数和计算量来学习额外的offset，然后用这两个模块在模型的深层做替换，并且很容易通过反向传播进行end-to-end的训练，效果不错。
2. Deformable Convolutional Networks
CNN中的feature map和卷积都是3D的，deformable conv和ROI pooling都是在一个2D的空间域上做的，所以下面都是以2D的操作来演示的，但这个泛化到3D是完全可以的。
2.1 Deformable Convolution
2D卷积主要由两个steps组成：1）在输入feature map x采样，位置由R定义；2）采样到的输入和权重w做卷积。
R的定义为：
对于输出feature map y上的每一个点 p 0 p_{0} p0 ，标准的卷积操作为：
在deformable convolution中，卷积核在input feature map上的采样点会发生偏移，定义偏移量为 Δ p n ∣ n = 1 , . . . , N {\Delta p_{n}|n=1,...,N} Δpn∣n=1,...,N ，这里 N = ∣ R ∣ N=|R| N=∣R∣ ，上面的等式（1）变为：
但这里有一个问题， p 0 + p n + Δ p n p_{0}+p_{n}+\Delta p_{n} p0+pn+Δpn 是一个float类型的值，它在input feature map上的像素值怎么取？在这里等式（2）通过双线性插值法来取：
上面的 p = p 0 + p n + Δ p n p=p_{0}+p_{n}+\Delta p_{n} p=p0+pn+Δpn ，q是p最近邻的四个点，利用双线性插值计算时，x§的值是由和p最近邻的四个点计算得到的，这点可以从 g(a, b)的定义看出来，我们可以将 G(q, p)看作q点对应的加权值。
双线性插值的介绍可以参见：双线性插值的两种实现方法
总结一下，deformable convolution整体上可以分成2部分，第一部分是基于输入特征图生成offset，第二部分是基于输入特征图和offset通过deformable convolution生成输出特征图。
- 假定输入的维度为 [b, h, w, c]，经过一次普通卷积，卷积填充为Same，即输入输出大小不变，对应的输出结果为 [b, h, w, 2N]，这里N=k_size*k_size，输出的结果是指原输入中以每个点为中心做卷积时窗口内input feature map对应的 k_size * k_size个位置的x、y偏移量；
- 对原输入中每个点的C个通道共用一组(x,y)偏移量得到9个新的position，且这些position要限定在图片大小以内，这些值都是float类型的，为了前向传播和反向传播的进行，必须使用双线性插值得到每个float坐标实际对应的像素值，此时经过offset修正之后的输入特征图的维度应该为 [b, c, h, w, N]；
- 对上面得到的特征图进行reshape得到新的形状为 [b, h x k_size, w x k_size, c]，使用普通卷积进行卷积运算，不过此时的 stride = k_size;
2.2 Deformable ROI Pooling
ROI pooling最早是在Fast R-CNN中第一次出现，用在RPN之后，对形状不一的ROI做统一处理得到相同尺度的ROIs。
ROI Pooling
给定输入feature map为x，尺寸为 w × h w\times h w×h ，左上角为 p 0 p_{0} p0，ROI pooling将特征图划分为 k × k k\times k k×k 个bins，输出是一个 k × k k\times k k×k 的feature map y。
对于普通的ROI Pooling，第（i, j）个bin（ 0 ≤ i , j < k 0\leq i,j
和等式（2）相似，在deformable RoI Pooling中，offsets被添加到bins空间位置中，变为：
第一部分先通过常规的ROI Pooling得到ROI特征图，维度为[b, k, k ,c]，展开成维度为 k ∗ k ∗ c k*k*c k∗k∗c 的向量后接 k ∗ k ∗ 2 k*k*2 k∗k∗2的FC层，再reshape成维度为 [b, k, k, 2]的offset；第二部分也是先基于offset执行双线性插值操作，然后再执行常规的ROI Pooling。
这里要注意的有两点：
- feature map此处是用fc来学习的，而且也不是直接学习最终偏移量，而是学习 Δ p ^ i j \Delta \hat{p}_{ij} Δp^ij ，这是为了让 offset 的学习不依赖于 ROI 的大小，然后通过下面的式子计算得到 Δ p i j \Delta p_{ij} Δpij ：
- 这个变量会和(w, h)做点乘，然后再乘以一个尺度因子，其中w,h是RoI的宽和高，而 γ \gamma γ 是一个0.1的常数因子……前者是为了让deformable能和RoI的尺度结合起来，更好地估计偏移位置；而后者是为了防止偏移量太大甚至超出RoI和整个图像……之前也看到有人认为，DNN网络最后几层经常会出现感受野不足的情况，所以空洞卷积才会效果比一般卷积好，如果不加约束，deformable的RoI可能无限制地扩大。
Position-Sensitive (PS) RoI Pooling
这个概念最早出现在 R-RCN中，RoI Pooling Layer之前和之后都有卷积层，并且RoI Pooling Layer之后的卷积层不是共享计算的，它们是针对每个RoI进行特征提取的，影响了网络的速度。而PS RoI Pooling 的提出是为了在破坏全卷积网络的平移不变性，因为检测是位置敏感的任务，具体详解可见：详解R-FCN
Deformable position-sensitive(PS) ROI pooling，也是和前面一样分为两个部分，第一部分先通过卷积核数量为 2 k 2 ( c + 1 ) 2k^{2}(c+1) 2k2(c+1)的卷积层得到输出特征图，其中 k 2 k^{2} k2 表示bin的数量，c表示目标的类别数，1表示背景，然后基于该特征图通过PS RoI pooling操作得到输出维度为[batch_size, 2(c+1), k, k]的offset。第二部分先通过卷积核数量为 k 2 ( c + 1 ) k^{2}(c+1) k2(c+1) 的卷积层得到输出特征图，这是R-FCN算法中的常规操作，然后基于该特征图和第一部分输出的offset执行deformable PS RoI pooling操作，deformable PS RoI pooling也可以看作是先执行插值计算，然后执行PS RoI pooling。
2.3 Deformable ConvNets
deformable conv和RoI pooling与普通的卷积和RoI pooling具有相同的输入和输出，因此，可以直接用它们进行进行替换。在训练中，添加的卷积层和全连接层的权重初始化为0，学习率默认为1，FC层除外（为0.01）。然后使用反向传播进行梯度更新，对于deformable conv和deformable RoI pooling的反向传播梯度更新公式为：
论文说在网络的最后 3 层（ kernel >1 的层）加 deformable conv 比较有效果。
3. Understanding Deformable ConvNets
Figure5是常规卷积和deformable convolution的差异示意图，其实也是这篇文章的出发点。图中以2个3×3卷积层为例，可以看出对于常规卷积层，卷积操作的位置都是固定的，而deformable convolution因为引入offset，所以卷积操作的位置会在监督信息的指导下进行选择，能够较好地适应输入目标的尺度、形状，因此提取到的特征更加丰富而且都能集中在目标上。
Figure6是Figure5示意图在实际图像上的效果，在Figure6的每张图像上都有绿色的和红色点，其中绿色点有1个，这个点表示conv5输出特征图上的1个位置，往前3个卷积层理论上就可以得到9^3=729个红色点，也就是卷积层计算的区域，当然这729个点有大部分是越界的，所以实际图中显示的红色点会少于729。可以看出当绿色点在目标上时，红色点所在的区域也集中在目标位置，而且基本能够覆盖不同尺寸的目标，因此deformable convolution不仅能够提取更加有效的特征，而且感受野也比常规的卷积层大。当绿色点在背景上时，红色点所在区域比较分散，应该是不断往外寻找并确认该区域是否是背景区域的过程。
Figure7是deformable PS RoI pooling在实际图像上的效果（deformable RoI pooling也是同理），每张图中都有1个RoI（黄色框）和3×3=9个bin（红色框），也就是k设置成了3，在常规的PS RoI pooling中这9个bin的位置应该是均匀划分的，但是在deformable PS RoI pooling中是集中在目标区域的，说明deformable结构确实是可以让网络的attention更集中于目标区域。
4. Experiments——消融研究
Deformable Convolution：Table 1评估了当使用ResNet-101作为特征提取网络时deformable convolution的影响。可以看出来当更多的deformable conv替换了传统标准卷积时，精度在稳步提升，尤其是对DeepLab和class-aware RPN，在DeepLab中使用了3个deformable layers，其余的使用了6个。在剩下的实验中，作者都是使用了3个deformable layers。
Table1是在PASCAL VOC数据集上做的对比实验，包括在多种图像任务和网络的不同阶段添加deformable层的差异。可以看到将res5的3个卷积层替换成deformable convolution就有明显的效果提升，而且基本饱和了。这部分其实主要是数据集（VOC）的原因导致替换更多的deformable结构没有明显提升，在v2中作者将数据集换成COCO做这个对比实验就实现了效果提升，因此有时候除了思考网络设计外，也应该多思考数据集是否成为效果提升的瓶颈。
Table2展示了 effective dilation values的统计特性（mean和std），它说明了：
- deformable filters的感受野和目标尺寸相关，它是根据实际目标学习而来的；
- 在背景区域的filter sizes在那些中等和大目标之间，这表明对于识别背景区域来说一个相当大的感受野是必要的；
Table3主要是和atrous convolution（也就是dilated convolution）作对比，因为atrous convolution也是增加了传统卷积操作的感受野，所以这个对比实验是在证明都增加感受野的同时，以固定方式扩大感受野和更加灵活地聚焦到目标区域的优劣.
模型复杂度和运行时间的对比如Table 4所示：
Table5是在COCO数据集上关于添加deformable结构的效果对比，提升还是比较明显的。
参考文献：
起名什么的最烦啦：《Deformable Convolutional Networks》论文笔记
扬之水：目标检测论文阅读：Deformable Convolutional Networks
https://blog.csdn.net/u014380165/article/details/84894089
https://blog.csdn.net/scut_salmon/article/details/97050908