object detection[rfcn]
0 - 背景
从rcnn，spp，fast rcnn， faster rcnn，yolo，ssd，这里又有个新模型叫rfcn，即Region-based Fully Convolutional Networks，R-FCN。虽然其比yolo，ssd出来的晚，不过看模型结构，更多的是针对faster rcnn的一个改进。
一路走来，不同模型都是为了解决不同的痛点而提出的：
- rcnn证明了cnn提取的特征的有效性；
- 而spp解决了如何应对不同尺度feature map的问题；
- fast rcnn通过roi pooling将需要应用到多个候选框上的基CNN模型进行共享，加快了速度并且提升了准确度；
- 而faster rcnn为了更进一步的共享基CNN，将本来需要由SS算法提取候选框的任务一并放入基CNN中，从而提出了RPN子网络；
那么问题来了，fast rcnn发明的ROI pooling中间是由全连接层存在，从而将前面的ROIpooling后的feature map 映射成两个部分（对象分类，坐标回归）；而越来越多的基CNN，如googlenet，resnet等全卷积网络证明了不要全链接层，效果不但更好，而且能适应不同尺度的图片无压力。本着解决下一个痛点的原则，rfcn应运而生。
1 - rfcn
我们可以说rfcn是基于faster rcnn的基础上对roi pooling这部分进行了改进。那么我们为了消灭fast rcnn的roi pooling中的全连接层的最naive的想法自然就是丢弃全连接层（起到了融合特征和特征映射的作用），直接将roi pooling的生成的feature map 连接到最后的分类和回归层即可。不过作者们通过做实验发现，这样的结果导致的对象检测结果很差，并且受到《Deep residual learning for image recognition》的启发，认为这主要是：基CNN本身是对图像分类设计的，具有图像移动不敏感性；而对象检测领域却是图像移动敏感的，所以二者之间产生了矛盾。从而对roi pooling进行了很神奇的设计
图1.1 rfcn结构图
如图1.1所示，网络的第一印象，结构大体和faster rcnn很像，都是有个RPN子网络用来训练并生成一堆基于当前图像的对象候选框，而ROI Pooling 就不一样。
2 - 改进的ROI Pooling
图2.1 rfcn中ROI Pooling结构图
如图2.1所示，假设图像经过了基CNN,到达了最后一层feature maps，接下来就是如fast rcnn中一样，提取当前feature map的ROI区域了，然而rfcn不是直接这么干。这里我们设计一个位置敏感的ROI Pooling：将fast rcnn中的ROI 划分成\(k*k\)大小，即图片中本来获取的ROI区域，将其分成\(k*k\)个区域（这里k=3，即分成9个部分）。假设该数据集一共由\(C\)类，那么再加个背景类，一共是\(C+1\)类。我们希望对每个类别都有各自的位置感应。
所以我们要设计的位置敏感得分map如图2.1中position-sensitive score maps（即从之前基CNN的feature maps，假设有n个通道，通过一样的卷积连接结构生成当前的相同大小map且有\(k^2(C+1)通道的位置敏感得分maps\)）。就是几个大色块并列的部分：每个色块表示对对象的特定位置进行敏感，而且每个色块大小中有\(C+1\)个map，所以该区域一共有\(k^2(C+1)\)个map，其中每个map的大小和之前那个基CNN的feature map大小一致。
那么接下来就需要介绍具体的怎么从position-sensitive score maps得到图2.1中右边那个\(k*k\)大小，通道为\(C+1\)的map了。
这里就不贴论文公式了，我们以图解释
图2.2，从位置敏感得分map到位置敏感ROI pooling
2.1 ROI区域的分类
图2.2是在一个类别下而不是\(C+1\)个类别同时进行。假设我们图2.1的位置敏感map中\(k=3\)，那么当前一共有：
| ___________________ | ___________________ | ___________________ |
|---|---|---|
| \(cls_1\{1,2,3,...,C+1\}\) | \(cls_2\{1,2,3,...,C+1\}\) | \(cls_3\{1,2,3,...,C+1\}\) |
| \(cls_4\{1,2,3,...,C+1\}\) | \(cls_5\{1,2,3,...,C+1\}\) | \(cls_6\{1,2,3,...,C+1\}\) |
| \(cls_7\{1,2,3,...,C+1\}\) | \(cls_8\{1,2,3,...,C+1\}\) | \(cls_9\{1,2,3,...,C+1\}\) |
这么9个不同颜色的feature maps，其中每个feature maps中都有\(C+1\)个feature map。
| _______ | _______ | _______ |
|---|---|---|
| 左上 | 中上 | 右上 |
| 左中 | 中间 | 右中 |
| 左下 | 中下 | 右下 |
上述为划分成\(k*k\),且\(k=3\)情况下的位置对应关系
| _______ | _______ | _______ |
|---|---|---|
| \(cls_1\{1\}\) | \(cls_2\{1\}\) | \(cls_3\{1\}\) |
| \(cls_4\{1\}\) | \(cls_5\{1\}\) | \(cls_6\{1\}\) |
| \(cls_7\{1\}\) | \(cls_8\{1\}\) | \(cls_9\{1\}\) |
- 1 - 首先处理类别为1的部分，即如上面表格所示：
- 2 - 如图2.2中，就是这抽取出来的9个feature map，然后如图2.2所示，对每个feature map按照各自敏感的区域，将其框出来：比如在这9个feature map中第一个表示左上位置，那么提取这个feature map的ROI区域，然后将其分成\(k*k\)的网格，提取其表示的左上位置，即第一个网格；同理第二个表示中上的feature map提取其\(k*k\)的网格中第二个网格，因为当前feature map表示的是中上位置，当前map的第二个网格也表示中上位置；
- 3 - 对抽取出来的部分进行求均值，然后按照位置组成一个\(k*k\)，即\(3*3\)大小的矩阵；
- 4 - 对这个\(k*k\)大小的矩阵求和，得到一个值。
- 5 - 对类别\(2\sim (C+1)\)分别进行步骤1-4的操作，从而最终得到一个\(1*(C+1)\)这样的向量（如图2.1），将这个向量进行softmax，从而估计当前feature map对应的ROI区域是什么类别
2.2 ROI区域的回归
上面说到了从基CNN的feature map得到ROI pooling直到softmax的分类，这里接着说如何微调ROI本身的区域，这部分与分类其实很相似：
| ______________ | ______________ | ______________ |
|---|---|---|
| \(reg_1\{x,y,w,h\}\) | \(reg_2\{x,y,w,h\}\) | \(reg_3\{x,y,w,h\}\) |
| \(reg_4\{x,y,w,h\}\) | \(reg_5\{x,y,w,h\}\) | \(reg_6\{x,y,w,h\}\) |
| \(reg_7\{x,y,w,h\}\) | \(reg_8\{x,y,w,h\}\) | \(reg_9\{x,y,w,h\}\) |
- 1 - 如图2.1的位置敏感maps是有\(k^2(C+1)\)个通道的，我们依然从基CNN的feature map部分连接出一个\(4k^2\)通道的maps（与位置敏感maps并列），用来做候选框坐标微调，如上面表格所示；
- 2 - 如分类部分的步骤1-4一样的操作，最后得到一个\(1*4\)的向量，即\(x,y,w,h\)
- 3 - 按照之前的那些模型一样去计算目标函数即可
问题
问：为什么需要做如图2.2这种特定map的特定区域的选取，而不是直接在特定map上将整个ROI区域都选取？
答：将k设为1就行了，就是整个ROI选取，作者做过实验的，效果不好。
