目标检测之RFB Net

重点是RFB模块！其他基本与SSD一致。

可以在兼顾速度的同时达到良好的效果。该网络主要在SSD网络中引入Receptive Field Block (RFB) ，引入RFB的出发点通过模拟人类视觉的感受野加强网络的特征提取能力，在结构上RFB借鉴了Inception的思想，主要是在Inception的基础上加入了dilated卷积层（dilated convolution），也叫空洞卷积层，从而有效增大了感受野（receptive field）。整体上因为是基于SSD网络进行改进，所以检测速度还是比较快，同时精度也有一定的保证。

RFB的效果示意图如Figure2所示，其中中间虚线框部分就是RFB结构。RFB结构主要有两个特点：1、不同尺寸卷积核的卷积层构成的多分枝结构，这部分可以参考Inception结构。在Figure2的RFB结构中也用不同大小的圆形表示不同尺寸卷积核的卷积层。2、引入了dilated卷积层，dilated卷积层之前应用在分割算法Deeplab中，主要作用也是增加感受野，和deformable卷积有异曲同工之处。在Figure2的RFB结构中用不同rate表示dilated卷积层的参数。在RFB结构中最后会将不同尺寸和rate的卷积层输出进行concat，达到融合不同特征的目的。在Figure2的RFB结构中用3种不同大小和颜色的输出叠加来展示。在Figure2的最后一列中将融合后的特征与人类视觉感受野做对比，从图可以看出是非常接近的，这也是这篇文章的出发点，换句话说就是模拟人类视觉的感受野进行RFB结构的设计。

Figure4是两种RFB结构示意图。（a）是RFB，整体结构上借鉴了Inception的思想，主要不同点在于引入3个dilated卷积层（比如33conv, rate=1），这也是这篇文章增大感受野的主要方式之一。（b）是RFB-s。RFB-s和RFB相比主要有两个改进，一方面用33卷积层代替55卷积层，另一方面用13和31卷积层代替33卷积层，主要目的应该是为了减少计算量，类似Inception后期版本对Inception结构的改进。

Figure5是RFB-Net300的整体结构示意图，基本上和SSD类似，和SSD不同的是：1、主干网上用两个RFB结构替换原来新增的两层。2、conv4_3和conv7_fc在接预测层之前分别接RFB-s和RFB结构，这两个结构的示意图如前面Figure4所示。

dilated卷积层优缺点：

• 优点：
  解决了SSD对小物体检测不准确的缺点
  增加感受野
  不会增加参数量
  可以替代一个pooling池化层
• 缺点：
  卷积核退化问题：像素利用率低，尤其在语义分割中利用率更低（语义分割rate为【2,24】，2的时候像素利用率只有9/25）

引入了DPN模型（在语义分割领域如何正确使用空洞卷积问题）

实验结果：
Table1是在PASCAL VOC2007 test-set数据集上的测试结果，训练集基于2007和2012的trainval。RFB Net300在mAP和FPS方面效果都不错。

Table4是在COCO test-dev 2015数据集上的测试结果。最后一个RFB Net512-E主要做了2点改变：1、对conv7_fc的输出特征做了上up-sample，然后和conv4_3的输出特征做融合，基于融合后的特征做预测。这种做法其实是借鉴了FPN算法的思想。2、在RFB结构中增加了7*7大小的卷积分支。这两点改进对效果的提升有一定帮助，而且带来的计算量也少。

Figure6是关于几个算法在COCO test-dev数据集上关于效果和速度的直观对比。