Light-Head R-CNN 简介

一背景

一般而言，两阶段检测器在速度上有优势，在速度上相比于单阶段检测器会稍慢一点，所以，Light-Head R-CNN的设计初衷是两阶段的物体检测器也可以做的更快，而且在精度上尽可能的提高。

二 对比分析

Faster R-CNN 和R-FCN在小模型上不够快的原因。

1. Faster R-CNN 用两个厚重的fc（或者resnet 的第5个stage）做proposal的预测，

2. R-FCN则通过制造了一个 (类别数x7x7)channel的大score map。

   除去basemodel的那部分，两个方法都引入了比较大的计算量。

基于前面的观察，需要针对性的解决问题。里面最重要的点，就是把pooling的feature map变得特别薄。因为Head那一部分，复杂度有两个因素决定：pool的feature map的厚度（减少R-FCN的score map）。以及对pool出来的feature进行分类和回归的那一部分（减少Faster R-CNN）。

三主要改进

3.1pooling的feature map变薄

针对这个问题，在R-FCN上做了一次实验。尝试把R-FCN的pooling的feature map压到10×P×P，相当于把原来3900多个channel，压到了490个channel。然后发现掉的点几乎没有。并且在VOC上做过一系列的实验，压成10×P×P是根本不会掉点的。在COCO上面只会掉零点几，再把它压得更多一点，压成5×P×P也只是掉零点几。

3.1增加一层廉价的全连接

feature map被压薄了之后，是没办法直接Average voting出来最后的结果的。但是可以通过在后面加一个到81类的全连接层来出最后的结果。

四 结论

前面的baseline已经达到了37.7，然后把pooling做一个alignment，大概能涨1.3个点；我们在训练的时候用的是0.3的NMS，换成0.5之后，能涨0.5左右；然后加multiscale train也能涨一个点。也就是最后的40.8的结果。尝试了加入feature pyramid，大概是41.5。