原论文标题：Acquisition of Localization Confidence for Accurate Object Detection
1. 前言
Megvii在ECCV 2018上的一篇oral，思路非常清奇，提出了Localization Confidence（定位置信度）这一概念，直接学习预测框与gt框的IoU，用于取代nms中的score。同时，提出了一个基于优化的bbox refinement方法。这些创新可以轻易地嵌入到现有的目标检测系统中。个人感觉，目标检测这一研究方向最近新挖了很多坑，仿佛继kaiming的一系列大作之后焕发了第二春。除这篇文章外，再简单推荐三篇其他文章：
- 旷视ECCV 2018的另一篇DetNet，在目标检测的Backbone上下工夫，认为预训练模型应该往目标任务上靠，譬如目标检测要想达到更好的定位精度，深层的空间分辨率不应该像分类一样缩小32倍，当然对空间分辨率的要求只是检测任务的特点之一，那么是不是有其他特点可以挖掘，进而从其他方向继续改进Backbone，这是一个很值得研究的问题。
- MSRA CVPR 2018的oral，Relation Network，基于Attention，根据object的appearance特征和geometry特征对物体关系进行建模，提高检测效果，并且将关系模块运用在duplicate remove中，进行可学习的nms，实现了第一个完全end-to-end的目标检测系统。个人感觉，这篇文章对关系的建模还有改进的空间，学出来的所谓“关系”并不知道是什么东西，更像是把Attention强行套入目标检测系统中。不过可学习的nms是很大的创新。
- MSRA ECCV 2018的oral，Learning Region Features for Object Detection，给出了各种ROI pooling变体的统一数学描述，并且基于这一数学描述，提出了一种可学习的版本，让网络自适应地学习Region Features，选择合适的pooling方式，抛弃了pooling的手工设计，使得object detection朝着fully learnable的方向又迈进一步。论文的二作Han Hu在一次Talk中提到，给出统一的数学描述之后，他们也只是给出了一种可行的可学习方案，肯定不是最好的方案，所以这也是个很大的坑。
这是我对这几篇文章粗浅的认识，有时间的话再来补笔记，关于这些文章的细节，也欢迎留言探讨。闲话不再扯，正式开始分析这篇文章。
2. Motivation
直接上图说明问题。
在传统的nms中，先根据分类的confidence对每个预测bbox进行排序，confidence最大的bbox必然留下来，计算其他bbox和这个bbox的iou，大于阈值的bbox直接去掉。这是一种贪心算法，很粗暴，也会造成很多问题，比如之前很多文章都提到在crowd的环境中贪心会造成很多问题。但是这篇文章对nms的过程进行了深入思考，提出了另一个问题。nms算法其实有一个重要假设，分类confidence越大，与gt bbox的iou也就越大，想想就有问题！如Fig. 1(a)，黄框是gt，红框和绿框是FPN的预测bbox。红框的cls conf都比绿框高，然而与gt的iou并不比绿框高，问题非常严重，譬如最左边那只鸟，如果在评价算法中把iou阈值设成0.7，那就算这只鸟没有检到！简直血亏！所以，nms的confidence应该专门设计一个指标，也就是loc conf。只要有了这个东西，重新设计nms就是很容易的事情了，而且这个东西肯定还可以搞很多别的事情。
缺失定位confidence的另一个问题是bbox回归的可解释性较差。作者举了个例子，在Cascade RCNN（CVPR 2018 spotlight，直接搜索标题就能查到）中提出了bbox迭代回归的非单调问题，如图Fig 1(b)，如果多次使用（同一个）bbox回归器，定位精度反而会下降。（文章中此处所说的input bbox是指RPN或selective search得到的前景bbox）
3. 深入思考object loc
这一节对物体定位中的两个关键缺陷作探讨：（1）cls conf与loc acc的misalignment问题。（我就不加说明地直接用缩写了，应该都能看懂，如果有疑问可以直接向我提）（2）bbox回归的不单调问题。实验用标准的FPN在COCO trainval35k上训练作为baseline，在minival上测试。
解释一下图(a)，横坐标是nms之前的预测bbox与各自匹配上的gt bbox的iou，纵坐标是预测bbox的cls conf，可以看到它们的相关性不够大，定量来看，两者的Pearson相关系数仅为0.217。其实这个问题我在第二节分析过了，如此弱的相关系数直接证明了nms的基本假设是有问题的，至少在COCO上有问题。图(b)纵坐标换成了loc conf，是作者提出的改进，具体做法下面再说，可以看到改进后相关系数达到了0.617。
再看这张图，Cascade R-CNN就是用了多个回归器进行迭代bbox回归，可以看出，基于迭代回归的方法，在一定的迭代次数之后AP都会被伤害，而使用作者提出的基于优化的方法，AP不会下降，至少是随着迭代次数单调不减的。
3. IoU-Net
重点开始，先摆上算法结构图。
结构很清楚，跟FPN不同的地方有两个，一是RoI pooling改成了PrRoI pooling，这应该是旷厂内部的一个工作；而是除了cls和reg头，加上了IoU头，结构也是三层全连接。文章专门设计了IoU头的训练方法，这个我就不写了。图中的Jittered RoIs就是为这个训练准备的。IoU头完全可以和其他部分联合端到端训练。
得到预测的IoU之后，就可以做IoU-guided的nms，具体方法前面已经说了好几遍了，只是把排序的key换成了预测的IoU而已。另外加了一个小trick，一旦在nms过程中box i“吞并”了box j，那么box i的cls conf取i和j之大者。也就是说如果有一堆框去预测同一个gt box，那么cls conf取其中最大的一个。（这个说法是我自己加的，不够严谨，不过这样理解基本没问题）
另一个重要创新是基于优化的bbox refinement，
(未完待续)