rfcn 共享_RFCN 精简讲解

一、前言

之前的Faster RCNN对Fast RCNN产生region porposal的问题给出了解决方案，并且在RPN和Fast RCNN网络中实现了卷积层共享。

但是这种共享仅仅停留在第一卷积部分，RoIpooling及之后的部分没有实现完全共享，可以当做是一种“部分共享”，这导致两个损失：1.信息损失，精度下降。2.由于后续网络部分不共享，导致重复计算全连接层等参数，时间代价过高。(另外还需要多说一句，全连接层计算量是要大于全卷积层的)

因此RFCN(Region-based fully convolutional network)试图以Faster RCNN和FCN为基础进行改进。

二、结构

2.1问题

第一个问题，如何改进不完全共享问题

FCN(Fully convolutional network)针对不完全共享问题进行了改进，即：将一般的backbone网络中用于分类的全连接层替换为全卷积层，这样一来整个网络结构均是由卷积层构成，因而称为全卷积网络。

第二个问题，目标检测的需求

很显然，目标检测问题包括两个子问题：第一是确定物体种类，第二是确定物体位置，确定物体种类时我们希望保持位置不敏感性(translation invariance也就是说不管物体出现在哪个位置都能正确分类)以及保持位置敏感性(translation variance我们当然希望不论物体发生怎样的位置变化都能确定物体位置)

这两个需求看起来比较矛盾，RFCN做出了一个折中，实际上也不算折中吧，就是这样一个问题：我们知道全卷积网络提取特征非常强，因此用于物体分类很nice，但是普通的卷积网