R-FCN: Object Detection via Region-based Fully Convolutional Networks (NIPS 16), Arxiv 16.05

R-FCN: Object Detection via Region-based Fully Convolutional Networks (NIPS 16), Arxiv 16.05

=====

blogs：

论文阅读]R-FCN: Object Detection via Region-based Fully Convolutional Networks： http://blog.csdn.net/u012361214/article/details/51507590

论文笔记 | R-FCN: Object Detection via Region-based Fully Convolutional Networks： http://blog.csdn.net/bea_tree/article/details/51817263

R-FCN: Object Detection via Region-based Fully Convolutional Networks： http://blog.csdn.net/surgewong/article/details/51873372

=====

论文：

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

https://arxiv.org/pdf/1605.06409v2.pdf

=====

开源代码：

https://github.com/daijifeng001/R-FCN

现在有开源的py code：

py-R-FCN: https://github.com/Orpine/py-R-FCN

py-R-FCN-multiGPU: https://github.com/bharatsingh430/py-R-FCN-multiGPU/

=====

如何将R-FCN整合到py-faster-rcnn？

详见： https://github.com/daijifeng001/R-FCN/issues/9

成功将rfcn的matlab代码整合到py-faster-rcnn中，跑出来的实验为：

train：07+12 trainval

test： 07 test

resnet50：74.24%mAP （0.10s～0.12s per image）

resnet101： 76.23% mAP （0.14s～0.16s per image）

----------------------------------------------------------------------------------------------

笔者将继续做论文里提到的multi-scale training和OHEM （ 持续更新ing）

resnet50 + OHEM（end2end style）：76.91%/76.83%/76.93%/76.32%mAP （0.10s～0.12s per image） -- 离论文里的77.4%还有一点差距

resnet50 + multi-scale training： 74.46%mAP （0.10s～0.12s per image） -- 貌似不起效果，笔者打算邮件问下论文作者。

resnet50 + OHEM（end2end style）+ multi-scale training：77.20%/77.77%/77.88mAP （0.10s～0.12s per image）

resnet101（end2end style）：75.91%/76.23%/76.4%mAP （0.14s～0.17s per image）

resnet101 + OHEM（end2end style） ： 78.62%/78.39%/78.93%/78.51% mAP （0.14s～0.17s per image）

resnet101 + OHEM（end2end style）+ multi-scale training：79.4%/79.48%mAP （0.14s～0.17s per image）

总觉得和论文里相差1%，是不是因为end2end方式的原因？

（笔者觉得应该是训练时batchsize的原因，论文里面是8 GPUs的并行训练，而笔者是1 GPU的训练）

=====

支持1080P和cudnn v5

Maybe you can try to merge caffe master branch into origin.

cd R-FCN/external/caffe/  
git remote add bvlc https://github.com/BVLC/caffe.git  
git fetch bvlc  
git merge bvlc/master

Remove "self_.attr("phase") = static_cast<int>(this->phase_);"  from `include/caffe/layers/python_layer.hpp` after merging.

=====

论文概述：

论文的核心在于：

在whole-image上，怎么将translate-invariance的object classifer（如ResNet）转为translate-variance的object detector，

来提高performaces的同时，还能降低训练测试的时间。

（至于其他的论文是如何耗时的，如RCNN，Fast-RCNN，Faster-RCNN等，以及该论文是怎么做的，可以参考上面的blogs，都有较为详细的讲述）

=====

Key idea of R-FCN （ cls-net ）

论文的关键之处在于提出了：能够编码position information的score maps，以及对score map进行的position-sensitive的RoI Pooling。

具体而言：

1 在最后一层map之后，再使用卷积计算产生一个k*k*(C+1)的maps（k*k代表总共的grid数目，C代表class num，+1代表加入一个背景类）。

2 每一个proposal的位置信息都需要编码，那么先把proposal分成k*k个grid（这里k就是Faster-RCNN里面的roi pooling的kernel size）

3 然后对每一个grid进行编码，其中每个grid对应一个score map（如下面的 Visualization所示）。

4 每个grid的pooling操作为average pooling。

5 进行vote（同样采用average的方式）

对于cls-net和det-net的操作类似。

具体可以参考上述的 博文1.

PS，博文3更为详细，极力推荐。

=====

Framework of R-FCN

引入了RPN，其中RPN来自于Faster-RCNN，RPN接在conv4和conv5之间，其stride为16。

而position-sensitive score maps和position-sensitive RoI Pooling接在最后一个卷积层后，并有cls-net和det-net（类似于Faster-RCNN，只不过其没有可学习的参数）

=====

position-sensitive score maps & position sensitive RoI Pooling -> bounding box classification

如下图，详细说了position-sensitive score maps & position sensitive RoI Pooling的操作，以及vote操作。

=====

Visualization of position-sensitive RoI Pooling

======

bounding box regession (class-agnostic) （ det-net ）

做法和Faster-RCNN类似，只是没有用到full connected layers，而是用full convolutional layers来替代，很是巧妙。

可以大大地提高speed。

=====

inspiration by other papers

=====

Training

训练的过程和Fast-RCNN或者Faster-RCNN的做法差不多。

论文中提到multi-scale的training是有必要的，其short-side的取值为：[400, 500, 600, 700, 800]

论文采用4 stages的做法来训练R-FCN，其中RPN来自于Faster-RCNN。

=====

Testing

测试阶段，除了COCO数据外，都是single scale（为600）的testing。

=====

OHEM

[22]的论文笔记可以看笔者的 博文。

论文中的OHEM的做法很是巧妙，具体看源码的prototxt。值得关注的是，论文中proposals的个数不管是train还是test阶段，都是用300个。

另外，为了很好地生成proposals，而且生成的proposals的高质量和稳定性（笔者不知道用什么词来描述），

论文采用了faster-rcnn的4 stages的方式来训练，而不是end2end的方式。

（其实笔者做过[22]的基于faster-rcnn的end2end的实验，发现效果不佳，很可能是end2end的过程中，rpn生成的proposals的coverage和stable不够好导致）

=====

astrous algorithm

虽然笔者对astrous不甚了解，但是知道其效果很好。

具体的astrous请看论文的相关引用论文。

该论文的做法：

由ResNet101的32 p的stride变为16 pixels，增加了score map的分辨率，

前四个阶段的stride不变，

第五阶段由stride=2变为1，其filter使用hole algorithm修改

（即在conv_parm里面添加dilaton参数，具体看开源的prototxt的`res5a_branch2b`卷积层）

mAP可提高2.6个百分点：

=====

Depth and Region Proposal Method

嗯，这个实验对比很好，说明了depth的重要性，和解决了proposals method如何选择的问题。

=====

Results

论文中并没有用到引用论文[9]（resnet）的global context，bounding box的iterative regession等技巧，

而最多只用到了multi-scale的training和single-scale的testing（coco dataset除外）。

由于舍弃了full-connected layers，以及加入了OHEM，使得论文不管在精度上还是速度上，都取得很好的效果。

Pascal Voc 07/12

COCO

=====

如果这篇博文对你有帮助，可否赏笔者喝杯奶茶？