Cascade RPN : Delving into High- Quality Region Proposal Network with Adaptive

级联RPN-用适应化卷积钻研高质量RPN网络
论文创新点： 常规目标检测方法是预设多个anchor具有几个scale和ratio，1.本文只要在每个位置设置一个anchor。2.适应性卷积被提出去获得特征和anchor在不同stage的对应关系。并且在FasterRCNN，FastRCNN上都比别的RPN网络表现得更好
————————————————————————————————————————————————
RPN和RCNN的输入特征和边界框要保持良好的对应，RCNN中，ROIPooling保证对应，RPN中对应是使anchor box统一初始化，用卷积核遍历特征。

以前大家都是改变细节来改善RPN网络.但是如图a，stage1方差大，离散高，如果RPN回归学习的完美，stage2应该接近狄拉克分布。但是stage1很难学，本来stage2方差小应该好学一点，但是用Iterative RPN也很难学。这些表明之前改进的RPN并没有起到什么作用，如图b。如图c，在第一阶段后，s1更加接近gd了，但是违反了对应的规则。


———————————————————————————————————————————————





———————————————————————————————————————————————


a拔表示anchor在feature map上的投影，O可以被解耦为中心偏移和形状偏移。

其中中心点偏移为：


———————————————————————————————————————————————

流程：一开始因为中心偏移为0，所以用膨胀卷积去产生一系列anchors，之后由于从膨胀卷积中得到了空间顺序进而被“桥接”到下一阶段，先计算偏移量O，网络输出，，在逆变化得出anchor的x,y,w,h.

Loss是分类的loss（交叉熵）加上回归的loss（IOU loss），回归的loss因为经过了多个stage，每次乘上一个权重a，在乘上平衡系数λ，
———————————————————————————————————————————————
实验结果：实验分为两部分，region proposals用5000张验证集，检测用20k张测试集，结果如下：

结果：本文提出了级联RPN能有效的改善RPN网络中产生的region proposal的质量，进一步提高目标检测的能力。级联RPN解决了特征和anchor对应的限制，并且极大地提高了AR，AP。