A-Fast-RCNN算法详解（基于变形/遮挡场景）

算法背景

论文全称：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
论文链接：https://arxiv.org/pdf/1704.03414
论文日期：2017.8.11
期刊：CVPR

算法提出的场景：

1. 遮挡
2. 变形

目前常用的方法：
data driven，基于大量数据驱动的算法。

存在的问题：
数据集无法涵盖所有的变形与遮挡情况。因为数据集里面这些情况发生的概率太低了，这些类别、遮挡与变形服从长尾分布，算法需要对这些情况学习不变性模型。

算法中心思想：
算法添加了一个对抗性网络，对抗性网络与原始网络联合训练，对抗网络生成原始检测器难以检测的遮挡与变形样本，然后原始网络利用样本进行训练，从而提高检测准确率。

算法介绍

解决问题：
目标检测的目标就是学习一个针对对象视觉模型，然后在图片中将对象定位出来。这就要求模型对于照明、遮挡、变形等情况具有鲁棒性。 目前的大多数算法都是通过增加数据集来提高准确率，COCO数据集就有超过10K个不同场景的汽车样本。

目前算法的局限：
但是这些遮挡与变形的样本数量太少了，难以通过增加数据集包含到所有可能的遮挡与变形情况。通过数据集可知，一些场景下发生遮挡的可能性要更大，例如停车场里面的汽车。一些场景下发生变形的可能性更大，例如动物。但是其他场景下发生遮挡与变形的情况会很少。

目前常用算法：

• 通过从长尾分布采样来生成逼真图片，但是不够灵活；
• 生成所有可能的遮挡与变形，并且利用这些样本训练检测器，但是由于变形与遮挡的空间很大，这不是一个可拓展的方法。

算法创新：
不使用所有的样本，只选取一些hard example，训练得到的检测准确率会更好。
基于这一结论，本文提出了一个对抗网络，通过在空间上阻止某些特征映射，或者通过操纵特征响应来创建空间变形。对抗网络的主要思想就是生成难以检测的对抗样本。将样本输入到原始网络中进行训练。

算法对比

• Fast RCNN通过共享不同候选区域的卷积来提速；
• Faster-RCNN 与 R-FCN集成了RPN，从而实现完全地端到端；
• 基于滑窗方法的算法也被提出了，例