全卷积网络中预测部分的softmax操作原理简析

概要

现在目标检测网络有采用全卷积结构进行预测的趋势，采用该结构能够1）大幅降低参数数量（全连接参数数量巨大），2）适配任意尺度输入，3）精度上也没有显著降低 等优点。这两天在研究SSH: Single Stage Headless Face Detector, 分析了预测模块中的结构，为什么要将(n,c,w,h)reshape成(n,2,c/2w,h)这一细节，话不多说，进入正题。

简析

以ssh模型架构M1结构为例，检测部分进行了如上图所示的流程。现简要分析如下：

1. 假设全卷积网络特征图尺寸是(1,256,3,4)即n,c,h,w.
   想在每个cell 两个anchor，总数为3x4=12的尺度上做人脸检测，输出特征图如下所示：

用下面这种方式更清楚：

2. ssh_cls_score卷积输出后feat是(1,4,3,4) 4是2个anchor,按照以下顺序
   排序排列数据：两个anchor为负样本（label=0）,两个anchor为人脸
   的分值，例如第一个cell的anchor数据位置如下：

3. 计算softmax是要用数位1和25, 13和37进行，出来的softmax 值sum=1，reshape 之后变成了(1, 2, 6, 4), 然后将softmax axis=1就可以进行以上操作, caffe中默认的axis是1，pytorch中也有相应的维度设计。reshape之后如下：

4. 计算softmax之后再reshape回来，后面就可以按照分支进行propsal操作了。

其他

loc偏移由于不用做softmax操作，所以可以直接输出。