【论文阅读记录】Learning Region Features for Object Detection（1，待更）

前言：

{

    最近在考虑现在这些目标检测网络用的RoI pooling方法。我认为RoI pooling方法至少有两个缺点：一是检测效果有限，目标尺寸和数量都受限；二是anchors和一些相关参数需要被预设，不支持全面的学习。

    所有这次找到了一篇有关的论文[2]，想通过阅读找点灵感。

}

 

正文：

{

    在论文的第一节，作者介绍了目标检测的5个步骤：特征生成、区域提示生成、区域特征提取，区域识别和去重，并且提到了目前机器学习的趋势——深度学习。我记得就在几年前（2015年左右），深度学习的概念还没有普及，当时我还用openVC来做图像识别，就算使用神经网络也需要先提取特征。再看现在，深度网络直接搞定特征工程和分类识别的工作，但从这段看的论文来看，目标检测大多还需要使用RoI pooling方法（不过YOLO[3]则属于一步（One-stage）检测，没使用RoI pooling的方法，尺度和位置也算是由学习得来的）。

    作者说本论文涉及的方法是全面可学习的（fully learnable region feature extraction），给出了两个贡献：一是一种通用的区域特征提取的观点（ General Viewpoint on Region Feature Extraction）（现在的RoI pooling方法大多都是特定的，无法通用），二是一种可学习的模块。另外，作者还说本论文的方法比RoI pooling方法的表现更出色，具体的后面会说到。

 

    在第二节，作者介绍了论文的第一个贡献。

    一开始，作者简介了现有RoI pooling方法的输入和输出，想看比较形象的介绍可以去[3]。

    之后，作者给出了用来代替RoI pooling公式的公式，见式（2）。

   

    其中，b代表一个bounding box，代表b中第k个bin对应的输出（在[3]中例子的情景下，k应该∈[1, 4]），p代表位置，代表一个support region，可以为RoI或整个图片（当为RoI时岂不就是一个b？），x(p)代表输入的特征图中p位置的数据，代表和b，p和x有关的k的权值。

    式(2)实际上是RoI pooling的一种通用形式。作者还给出了一些例子，例如在averaging pooling的情景下，式(2)的权值变成了式(3)的形式。

   

    其中为b中第k个bin中位置的总数（大小）（在这种情况下，如果考虑到，则就等于b中第k个bin）。

    值得注意的是，作者还介绍到了式(2)在一步检测的情况下的应用（按照我的理解，在YOLO里的结构下（[2]中的图3），K=|k|=4096，=b=整个特征图，但这和论文里说的不一样，论文在这里没有给出详细的解释）。

}

 

结语：
{

    我大概看了一下后面的内容和实验结果，其有很多公式，结果似乎也不是非常好，所以我可能需要暂时放下这篇论文，把时间腾出来给书上的内容。

    参考资料：

    {

        [1]https://arxiv.org/pdf/1803.07066.pdf

        [2]https://arxiv.org/pdf/1506.02640.pdf

        [3]https://blog.youkuaiyun.com/auto1993/article/details/78514071

    }

}