RFCN的理解

对于这个网络的理解，着实花了一点时间，这也是写下这篇文章的初衷，以方便自己以后来复习，看了作者的论文，论文可能由于翻译的原因，加上自己没有耐下心，看着有些烦躁，然后去看其他人的博客，因为这种几年前的文章，肯定有很多博客，但是发现，这些博客要么内容一致，要么就是讲的不是很清晰，还好发现了一篇文章：RFCN的解释，这篇文章还可以，我结合这篇文章，加上看论文，终于大概搞清楚了RFCN，现在再说下一自己的理解。

先附上作者的对结构的附图：
图1 RFCN整体框架

图二 RFCN分割出来的部分

整篇论文，其实就可以用这两张图片来解释，我一直不理解的是，为什么在featuermaps之后要用1x1的卷积来生成通道数为k^2 * (c+1)，后面才理解了。我们注意看图二，c指的是类别总数，c+1是由于把背景算成一个类别加在里面了。这里的k^2可以理解为得分标准，比如k等于3,那么就可以有9个得分标准，注意看图二，每个得分标准里面有c+1个类，指的就是每个类按照当前的得分标准获得的分数。所以最后对position-sensitive score maps中的的k^2 * (c+1)理解为：每个像素在不同类别下的不同得分标准下的分数。而对于图二倒数第二层的理解为：roi（经过rpn删选出来的预选边框）中每一个小块中每个像素在相同类别下，用不同的得分标准得到的平均分，最后会得到一个(c+1)xkxk的矩阵w，我们在w中的每一层求和，就降w的维度变为c+1了，再用softmax来进行分类。

接下来探讨一下为什么为k^2的问题了，我们知道，经过rpn获取的ROI区域，将其分成k∗k个区域，我们要将每个区域制定一个得分标准，这样才能一一对应，所以最后才是k ^ 2 x (c+1)。

而对于边框回归，采取的方法是从基CNN的feature map部分连接出一个4 x k ^ 2通道的maps（与位置敏感maps并列），用来做候选框坐标微调，这里之所以为4，可以理解为判定x,y,w,h这四个预测边框位置的微调得分标准，然后接下来的操作跟上面差不多，最后每个就可以获得一个4x1维的矩阵，分别对应预测边框的x,y,w,h的纠正参数，这几个参数会随着模型训练去更新梯度。让预测的边框和真实的边框尽可能一致。

以上就是我的一点理解，可能有些理解偏差，希望能帮到大家。

2020 6.3