目标检测经典网络——R-FCN网络介绍

R-FCN发明比YOLOv1、SSD晚，但创新度上可能不够，只能算是对Faster R-CNN的改进。R-CNN网络证明了CNN提取特征的有效性，SPP解决了如何应对不同尺度特征图的问题，Fast R-CNN通过RoI pooling实现RoI特征图块卷积运算的共享，加快了速度并提升了准确度，而Faster R-CNN进一步加大卷积神经网络的共享，即将产生候选框的过程合并到CNN中，以RPN子网络的形式实现CNN共享。

R-FCN第一版论文提交于2016年5月左右，此时已经有GoogLeNet、ResNet等经典卷积神经网络了，并且这些网络证明了不使用全连接也能获得很好的效果，而且更重要的是可以应对不同尺度的图像。

当目标检测网络架构中将分类网络与检测网络进行卷积共享时，分类任务需要特征具有平移不变性，而检测任务要求对目标的平移做出准确响应，因此R-FCN网络主要解决了“图像分类网络的位置不敏感性”和“目标检测网络的位置敏感性”之间的矛盾。

RoI之前的层是共享卷积运算的，RoI之后一个卷积网络对RoI进行卷积并完成region的提取，另一个网络根据RoI结果进行最终目标的分类和回归任务。因此，为了最大化卷积的共享，作者把所有的卷积都放在了RoI之前。如下表所示：

R-FCN整体架构如下图所示：

如上图所示，一个典型的R-FCN网络由backbone网络（如ResNet101）、一个RPN网络（Faster R-CNN中的RPN层）和一个位置敏感的预测层，以及最后是RoI pooling+投票的决策层组成。对于上图，乍一看与Faster R-CNN网络的结构非常类似，主要区别就在于pooling的地方。

R-FCN网络提出了位置敏感的得分图（position sensitive score map）概念，将目标的位置信息融合到RoI pooing中。

• Backbone：使用ResNet101网络，去除最后的全均平均池化和全连接层，保留前100个卷积层。这100个卷积层的输出是2048维的特征图，为了降维添加了一层1024个1*1卷积核的卷积层。因此最终输出为W*H*1024维的特征图。（）
• 的卷积层：使用个1*1卷积核的卷积层得到W*H*的位置敏感的score map。R-FCN原论文中使用k=3，即把每一个RoI划分成3*3的区域，对位9个位置分别为：上左、上中、上右、中左、中中、中右、下左、下中、下右。
• 个特征图的物理意义：当k=3时，如上图所示共有9种颜色表示。每个颜色的立方体块W*H*(C+1）表示不同位置存在目标的概率值，即第一块黄色表示上左位置，第二块黄色代表上中位置，依次类推，最后一块蓝白色代表下右位置。
• RoI pooling：采用Faster R-CNN中的RoI pooling。即对于不同大小的RoI，在上面画n*n个bin的网格，每个网格里的所有像素值做pooling(平均)，此时无论RoI多大最终都会变成n*n的维度。这里的n的大小在Faster R-CNN中由后面卷积网络输入大小决定，在R-FCN中其大小就是k。（注意：这里的RoI pooling是每个特征图单独做，而不是所有通道一起做！）
• RoI pooling的输入与输出：输入为的score map上对应某一RoI的立方体块，这里的W'和H'是RoI的长和宽。将（C+1）不同颜色上的每个的RoI区域划分成k*k的bins，然后对每个bins按像素值做pooing，最终把个bin组成新的立方体块（即上图中k*k*(C+1)的立方体块）。
• 投票（vote）：对于C+1个类别，分别在k*k个bin上求和得到score值，然后进行softmax得出每个类别的概率值。
• 损失函数：与Faster R-CNN类似，使用多任务损失，即交叉熵的分类损失和L1平滑的回归损失组成：

• 训练样本选择策略：采用online hard example mining (OHEM)方法，其主要思想是对样本按loss值排序，取前面loss值比较小的，其主要是用来对负样本进行筛选，使得正负样本均衡。 

总结

R-FCN在Faster R-CNN网络的基础上进行了一些改进。第一，将baseline从VGG16改成了ResNet101。第二，将所有卷积网络层移到RoI pooling的前面，实现卷积共享最大化。第三，由于RoI pooling后会丢失位置信息，因此在pooling之前保留了位置信息，即指定不同score map负责目标的不同位置，pooling后利用保留的score map组合获得位置信息。