目标检测“Exploit All the Layers: Fast and Accurate CNN Object Detector with Scale Dependent Pooling and”

在Fast-RCNN的基础上，设计了两种改进方法，一是尺度相关的池化SDP用于提升小尺寸物体检测，二是逐层级联拒绝分类器CRC用于提速。

尺度相关池化
方法是基于Fast-RCNN的，SDP根据每个proposal的尺寸，从对应的卷积层池化特征。与SDP连接的fc层有与尺寸相关的参数，结构如下图所示:

SDP模型的三个分支是conv3,conv4,conv5,每个分支包含2个后续的fc层，ReLU激活及Dropout层计算bbox和得分。主要对小尺寸的物体在卷积图比较大时能保存更多的信息。

级联拒绝分类器
之前想过将卷积特征用AdaBoost来训练，看来还能跟的上思路。对于proposal比较多的情况，使用CRC逐层排除负样本。对每个尺度组分别学习拒绝分类器$R_s^l$。
若某个尺度s下有N个proposal的bbox及它们的标记，池化对应的卷积层特征，学习的线性boosting分类器累积弱分类器的响应：
$R_s^l(x)=\sum_{t=1}^Tw_th_t(x)$

弱分类器的决策函数可以认为是二值分类：
$h_t(x)=sign(x_v-\delta_v)$

为了不增加训练更强拒绝分类器的计算量，使用上一级的弱分类器初始化下一级的弱分类器。每个拒绝分类器有50个弱分类器。

在测试时，给定50维弱分类器，使用2个fc层和一个hyperbolic，一个tanh层用于拟合boosting分类器，具体的结构如图3所示。

在Kitti数据库上的实验结果如下：