狙击手在放大倍焦前已经经历了大量的小目标训练，这样看似乎是RPN做的好 — David 9
之前在讲SSD时我们聊过SSD的目标检测是如何提高多尺度（较大或较小）物体检测率的。我们来回顾一下，首先，较大的卷积窗口可以卷积后看到较大的物体, 反之只能看到较小的图片. 想象用1*1的最小卷积窗口, 最后卷积的图片粒度和输入图片粒度一模一样. 但是如果用图片长*宽 的卷积窗口, 只能编码出一个大粒度的输出特征.
对于yolov1，每层使用同样大小的卷积窗口, 识别超大物体或者超小物体就变得无能为力（最后一层的输出特征图是固定7*7）:
YOLO架构示意图
而SSD就更进一步，最后一层的检测是由之前多个尺度（Multi-Scale）的特征图共同生成的：
SSD架构示意图
这样SSD在计算复杂度允许的情况下，在多尺度物体的检测上有所提高。但是SSD也有明显缺陷，其最后几层的所谓“多尺度”是有限的（如上图特征图尺寸越小，可以识别的物体越大）。对于极小的目标识别，SSD就显得无能为力了，
来自：https://techcrunch.com/2017/06/16/object-detection-api/
假设“风筝”只占原始图片的几十个像素，SSD的高层特征图已经无法捕捉如此小的物体。
为了解决上述问题facebook的老兄们开发出了FPN（特征金字塔网络），这种网络不是一味地进行下采样提取语义特征去识别物体，而是从顶层（自上而下）的每一层都进行上采样获取更准确的像素位置信息（有些类似残差网络的跳层连接）：
来自：https://medium.com/@jonathan_hui/understanding-feature-pyramid-networks-for-object-detection-fpn-45b227b9106c
我们知道卷积操作虽然能高效地向上提取语义，但是也存在像素错位的问题（到了最上层特征图中，你早已分不清某个像素对应原图的哪些像素）。这种上采样还原特征图的方式很好地缓解了像素不准的问题（使得高层特征图的像素也有据可查）：
来自：https://medium.com/@jonathan_hui/understanding-feature-pyramid-networks-for-object-detection-fpn-45b227b9106c
所以为了小目标的检测FPN也是拼了，带来的问题也显而易见：计算量的增多（额外的上采样和跳层计算）。
为了缓解这样的计算压力并且对多尺度物体更精准地识别，SNIPER另辟蹊径，对每个尺度大类下都维护一个重点关注区域（region）。就像狙击手每次调节倍焦时，框中区域的关注目标都在最佳尺度：
来自：SNIPER: Efficient Multi-Scale Training
上图虚线框就是某个尺度下的重点关注区域，实线框是ground truth的目标物体框，可见SNIPER试图把ground truth都圈围在重点关注区域的合适尺度下。此外，SNIPER还在重点关注区域中加入了重点排除区域，在许多背景中，许多目标是无须识别的：
来自：SNIPER: Efficient Multi-Scale Training
上图中的绿色框是groud truth，而红色框就是重点排除区域，其中的对象实际上是不需要识别的，SNIPER把这部分误检也排除了。与FPN不同的是，SNIPER不再需要处理每一层特征图的像素进行上采样，计算量下降了不少，据说只比普通的类似yolo的one shot模型多处理30%的像素（重点关注区域中的重叠部分）。并且对于较简单图像，SNIPER理论上应该允许退化到类似yolo的one shot模型（通过维护的重点关注区域）。实现上，SNIPER在RPN网络和Faster-RCNN中都用到了重点关注区域。
参考文献：
878
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
