R-FCN：Region-based Fully Convlution Networks

论文链接：https://arxiv.org/pdf/1605.06409v2.pdf

理解参考:http://blog.csdn.net/kekong0713/article/details/69919093

https://blog.csdn.net/tuzixini/article/details/78754618

一、改进点

1、使用全卷积网络，没有全连接层。在Faster RCNN基础上，采用全卷积的ResNet-101网络。卷积层为全部ROI共享。

     R-CNN、Faster R-CNN和RFCN都是基于ROI的two stage检测算法，首先是基于算法（传统算法或者RPN）提取ROI，第二步是对每个ROI做分类和回归。三者不同的是，R-CNN中每个ROI没有共享的卷积层，对每个ROI都需要跑一遍网络，Faster R-CNN中先用基网络（例如ResNet的直到res4模块）提取特征，对每个ROI使用一个子网络（如res5模块）进行分类和回归。RFCN则不同，使用全部卷积提取特征，基网络的所有卷积层为每个ROI共享，并且每个ROI后面没有子网络进行回归和分类，这样减少了网络计算量，加快了训练及测试时间。

2、所有ROI在基网络得到的feature map上直接做分类和回归，但是深度学习分类模型高层特征对图像中目标变换具有鲁棒形，即对目标位置和大小变换不敏感，这种特性不适用于目标检测任务。文中引入position sensitive score map，即学习不同位置的特征，在网络学习的时候引入位置信息。在ROI Pooling的时候，某一位置的bin只在对应位置的score map上进行mean pooling。

 

二、总结

RFCN是在Faster R-CNN基础上做的改进，检测效果比Faster R-CNN效果略好，推理速度更快。