论文提出Light-Head R-CNN，一个精简的two-stage目标检测器设计准则，在表达能力很强的精简特征图上使用轻量级的R-CNN子网，不仅大量减少推理耗时，还提高了准确率，结合Xception-like的主干网络能够达到30.7mAP和102FPS
来源：【晓飞的算法工程笔记】 公众号
论文: Light-Head R-CNN: In Defense of Two-Stage Object Detector
Introduction
目前的two-stage目标检测算法都有相似的特性，一个复杂的head连接着主干网络，而Faster R-CNN的全连接层和R-FCN的score map都是相当耗时的。因此，论文提出基于light-head的思路来设计快速且准确的two-stage detector，核心思想是通过large-kernel separable convolkution来产生特征表达能力很强的精简特征图，特征图的大小为$alpha imes p imes p$，$alphale 10$，同时精简RoI-wise的子网，从而大幅减少模型计算量
由于light-head的结构，Light-Head R-CNN能够轻松的达到准确率和速度的最佳平衡，在大小型主干网络上都有很好的准确率和速度表现
Our Approach
Light-Head R-CNN
Head主要指接在主干网络后面的结构，优化主要包含两个部分，分别针对R-CNN子网和RoI warping
-
R-CNN subnet
Faster R-CNN使用两个大型卷积进行子网的RoI-wise的特征提取，虽然有利于分类，但由于前面的特征维度很大，导致计算量巨大。为了加速子网，R-FCN则先产生region-based的的score maps，channels为$#classes imes p imes p$，然后直接进行pool和average vote得到结果，虽然子网速度很快，但score map的产生相对耗时和耗内存，而且缺乏RoI-wise的特征提取，准确率可能不够
基于上述问题，Light-Head R-CNN使用简单且廉价的全卷积层作为R-CNN子网，能很好的达到性能和准确率的平衡，如图2c所示。全连接层的耗时也RoI输出特征图数量有关，所以还要进行相关优化
-
Thin feature maps for RoI warping
RoI warping的作用是使输入R-CNN子网的特征图大小固定，这里采用较小channel的精简特征图(thin feature maps)作为RoI warping前的输入。通过实验，在精简特征图上进行RoI warping不仅能提高准确率，还能节省内存和计算时间。如果使用PSRoI pooling，配合精简特征图能够增加额外的计算来加强R-CNN以及减少channel数。如果使用RoI pooling，配合精简特征图能够减少R-CNN的开销并丢弃Global Average Pooling来提升准确率
Light-Head R-CNN for Object Detection
基于以上的讨论，Light-Head R-CNN在通用物体检测上的实现如图2C所示，后面的讨论会有两种设定，设置L为大主干网络，设置S为小主干网络
-
Basic feature extractor
对于设置L，使用ResNet-101作为基础模型，对于设置S，则使用类似Xception的小网络。图2的"Conv layers"代表基础网络，conv4和conv5的卷积block标记为$C_4$和$C_5$
-
Thin feature maps
论文在$C_5$上使用类似Inception和GCN的大型分解卷积，对于设置L和设置S，$C_{mid}$分别为256和64，而$k$和$C_{out}$则统一为15和$10 imes p imes p$，这样的特征提取能极大地提高感受域，从而提取更强大的特征图
-
R-CNN subnet
子网只采用2048维的全连接层，后面再同时接两个全连接层来预测RoI的类别和位置回归，位置的回归只采用4维，而非$#classes imes 4$维。由于精简特征图的强大表达能力，这样简单的子网也能达到很高的准确率
-
RPN(Region Proposal Network)
RPN是用于$C_4$上的滑动类不可知的目标检测器，anchor的尺寸和长宽比分别维${1:2,1:1,2:1}$和${322,642,1282,2562,512^2}$，使用IoU=0.7的NMS来去除重叠的bbox
Experiments
论文实验比较多，这里只列举了部分比较重要的实验
Ablation Experiments
-
Thin feature maps for RoI warping
为了验证精简特征图的作用，设计了图4的类似R-FCN的网络，通过1x1卷积将特征图channel数从3969降低到490，然后子网改为全连接进行分类和定位回归
B1为原R-FCN，B2为增大输入和anchor数的R-FCN。尽管大幅降低了channel数，网络的性能只有小幅度的降低
基于R-FCN，在使用大型分离卷积来增强特征图后，性能得到了提升，说明是相当有用的
-
R-CNN subnet
表格里的Faster R-CNN为同样加大输入和anchor数的版本，可以看到，使用light-head能够进一步提升准确率
Light-Head R-CNN: High Accuracy
Light-Head R-CNN: High Speed
CONCLUSION
论文在研究了当前的two-stage网络存在的速度问题后，针对性地提出Light Head R-CNN，一个精简的two-stage目标检测器设计准则，在表达能力很强的精简特征图上使用轻量级的R-CNN子网，不仅大量减少推理耗时，还提高了准确率，结合Xception-like的主干网络能够达到30.7mAP和102FPS
参考内容
写作不易，未经允许不得转载～
更多内容请关注 微信公众号【晓飞的算法工程笔记】
