目标检测之R-FCN

标签：gre   思想   检测方法   obj   目标检测   检测   core   network   png   

R-FCN:Object Detection via Region-based Fully Convolutional Networks

R-FCN的网络结构

一个Base的convolutional网络如RestNet101，一个RPN（Faster RCNN来的），一个Postition Sensitive的prediction层，最后的RoI pooling+ 投票的决策层

R-FCN的关键思想

1. 分类需要特征具有平移不变性，检测则要求对目标的平移做出准确的相应。现在大部分CNN在分类上可以做的很好，但用在检测上效果不佳。SPP，Faster R-CNN类的方法在ROI Pooling前都是卷积，是具备平移不变性的，但一旦插入RoI pooling之后，后面的网络结构就不再具备平移不变性了。因此本文提出postition sensitive score map，这个概念是能把目标的位置信息融合进ROI pooling
2. 对于region-based的检测方法，以Faster R-CNN为例，实际上分成了几个subnetwork，第一个subnetwork用来在整张图上做比较耗时的conv，这些操作与region无关，是计算共享的。第二个subnetwork是用来产生候选的boundingbox（如RPN），第三个subnetwork用来分类或进一步对box进行regression（如Fast R-CNN），这个subnetwork和region是有关系的，必须每个region单独跑网络，衔接在这个subnetwork中间的就是RoI pooling，希望的是将耗时的卷积都尽量移到前面共享的subnetwork上，因此和Faster R-CNN中用的ResNet（前91层共享，插入ROI pooling，后10层不共享）策略不同，本文把所有的101层都放在前面共享的subnetwork。最后用来prediction卷积只有1层，大大减少了计算量

R-CNN，Faster R-CNN，R-FCN共享的卷积子网络深度以及RoI子网络深度对比：

目标检测之R-FCN

标签：gre   思想   检测方法   obj   目标检测   检测   core   network   png   

原文地址：http://www.cnblogs.com/fangpengchengbupter/p/7660315.html