理解目标检测算法之Light Head R-CNN

---

对于目标检测任务，输入图像通常都要经历３个步骤，Backbone + Head + Postprocess(NMS)，目标检测算法的优化，通常也是围绕着这３个方面展开的。针对Backbone的优化有DetNet，针对Head的优化有Light head R-CNN，针对Postprocess的优化有soft nms和softer nms。值得一提的是，除了soft nms，其余的几篇文章都是face ++出品，不愧是多届coco目标检测竞赛的冠军，确实厉害。本文接下来将只介绍Light head R-CNN，大家如果对其它文章感兴趣，也可以直接去读原文，一定会对目标检测任务有更多的感悟。

1 动机

对于two-stage的目标检测算法，常见的有Faster R-CNN和R-FCN。当图像中的proposals个数增加时，Faster R-CNN的计算量会迅速增加，R-FCN虽然解决了Faster R-CNN中存在的重复计算问题，但是backbone最终的特征图channels较大，导致计算量也比较大。

Light Head R-CNN是Faster R-CNN和R-FCN的结合体，主要的改进点包括２点，（１）per-Roi RCNN subnetwork计算量尽可能多地共享；（２）整个目标检测网络的head部分channels个数减少。

2 网络结构

网络结构如下图，同R-FCN相比，它有两个不同的地方，（１）使用large separable convolution 层，得到channels个数更少的feature maps。这里需要提一下，因为这里用的滤波器尺寸较大，文章中设置为15，所以得到的feature maps信息更加丰富，原文中是这么表述的，“Benefit from the larger valid receptive field caused by large kernel, the feature maps we pooled on are more powerful”，该网络层的结构如下图；（２）在R-CNN subnet中使用１个FC层，然后基于该