Relief RCNN: UtilizingConvolutionalFeatureInterrelationshipforFastObject DetectionDeployment阅读笔记

Relief RCNN: UtilizingConvolutionalFeatureInterrelationshipforFastObject DetectionDeployment
摘要：
在深层卷积特征图中的高层次的模式特征值包含了大量有用的空间信息。通过从高级别的卷积模式中提取目标的位置，R2-CNN生成region proposals，并基于相同的前向CNN特征同时进行深层分类，统一了以前单独的多项目检测过程，并加快了整个流程。
引言：
R-CNN：找到目标可能存在的proposals(ROI)；再将ROIs传给deep CNN来进行分类成具体的目标或者背景。
缺点：ROIs和CNN的组合不好；
产生ROI的计算量大，deep CNN处理过程复杂；
Deep CNN的计算强度大，硬件要求高；
改进：简化CNN模型；
调整CNN和ROI的组合；（Fast R-CNN,R-CNN的加速版）
减少ROI计算量；（利用RPN网络将proposal generation整合进fast R-CNN的模型中）
卷积层可视化显示：卷积层的可视化已经表明，经训练的CNN中具有高值的卷积特征直接映射到输入图像上的可识别对象。
一、本文思想

首先：将第一层卷积层的特征图结合起来作为Integral Feature Map。为了去躁和简化后续运算。
其次：提取特征值明显比周围特征大的局部regions作为ROIs。
然后：产生的ROIs被传到Fast R-CNN的ROI层作为输入。
二、步骤
Step1：Integral Feature Map Generation
1.每个特征图除以最大特征值来归一化；2：把所有归一化的特征图加起来形成Integral Feature Map Generation。
Step2: Separating Feature Levels by Feature Interrelationship
目标的边缘细节可以由特征之间的相对关系描述。这种相对关系就是两个特征值之间的差异大小。在特征图中有高梯度值的显著的gap就是描述目标轮廓的边缘细节。相同层级的特征很可能是同一或相似目标的。
Step3：Bounding Boxes Generation

位置相连接的特征一定是同一个目标的。直接使用包含这些特征的区域作为proposals。
Big Box Proposal:将位置相关的特征区域组成一个big box给featureleveli。
SmallBoxProposals:寻找位置相连的特征集群，将这些特征集群映射成small box。
Step4.LocalSearch：源图像的卷积特征图中提取的边界框在映射到源图像之后非常粗糙。 应用宽度和高度的局部搜索来解决这个问题。对于每个区域提案，局部搜索算法需要两个比例比α和β，以根据比例缩放其宽度和高度来生成4个提案。 在实验中，α固定为0.8，β固定为1.5。 本地搜索可以提高检测性能的1.8％mAP。
Step5.recursive fine tuning：fast R-CNN直接使用ROIout作为预测的object bounding box。本文的闭环边界回归器，即递归微调步骤。此步骤将ROIout作为Regressor（ROIin）的输入再次进行链接，并且仅在ROIout的检测性能收敛时才停止。