HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

文章地址：点击打开链接

本文是region-based object detection framework。相比与faster rcnn，hypernet更擅长处理小物体，并且产生更高质量的proposal。

整体的框架见下图：

Network for Hyper Feature Extraction:

RCNN之后的framework在做小物体检测时有一个通病，就是物体的的信息会损失的非常厉害，比如原来32*32的物体，到最后一层feature map 只剩下了2*2，所以本文为了处理这个问题提出了两种方法，第一种，放大feature map，第二种，skip layer。按照标配输入1000*600的图最后的map size 会是62*37, 这样的话信息损失非常严重，所以作者想办法把最后的map放大到250*150，把第一层的map做一个max pooling， 把最后一层的map做一个deconv，然后把1，3，5层的map LRN之后连在一起。LRN是必要的，因为不同层的feature resolution 不同，如果不做正则norm大的feature会压制住norm小的feature。

在产生hyper feature map之前，这些resize过的map会各自通过一层卷积，一方面缩小维度，另一方面增强语义。我比较疑惑地是为什么不直接用第二层的map，因为第一层pooling再加个卷积产生的map除开维度其实和第二层很像，有网友知道可以指点一下。此外，那个第五层的deconv我认为有很重要的意义。

另提一笔，skip layer feature在处理小物体检测中可以说已经多次被用到，从ION，deepproposal再到这篇文章，估计以后会是一种常规手段。

Region Proposal Generation：

这一部分我感觉作者讲的不怎么清楚，其中提到了另外一篇论文：《Object detection networks on convolutional feature maps》。此文我没有仔细读过，但是感觉和proposal产生关系不大，具体等读完了来更新。作者讲了RPN的另外一个坏处，就是RPN在产生proposal的时候，一个sliding window产生9个尺度大小不同的anchor作为proposal的基准，作者argue，尺度大小不同的proposal用同样的input去产生会有问题，所以用了这个方法。

具体给我的感觉。。。作者在产生的hyper feature map上随机产生了不同大小和尺度的proposal，然后每一个都feed到ROI pooling里面去，然后对这每一个proposal做一个判断是不是proposal，其中使用了一个卷积作为降维和防止overfit。

这一步给我的感觉是整篇文章最大的瓶颈，因为70%的时间就在这一步。加速的方法是把卷积层放到了ROI Pooling前面，但是performance会下降，这一点我想不大通为什么会下降。

Object Detection：

和fast rcnn到大同小异，Proposal 经过ROI Pooling之后增加一层卷积，然后做一个joint training。

小结

整个framework的训练和faster rcnn的第一个not end to end training的version非常像，都是先训练proposal generation这一块，然后再训练后面的detection，然后conv sharing 再train一遍。

本文的优点非常明显，proposal的质量非常高，top 100 proposal就达到了97%的recall（IOU 0.5），在IOU 0.7的情况下同样非常强，这应该得益于hyper feature map的原因。但是缺点是速度大于了1秒，当用加速版本，速度可以和faster rcnn基本持平。我认为在proposal generation这一步可以有一些思考的地方。

与之前的网络相比：

Fast R-CNN。HyperNet是在一个网络中得到候选物体和检测结果。且候选框的数量是100 VS 2000。 HyperNet取得了更多准确检测结果。

Faster R-CNN。 Faster R-CNN仍然依赖Fast R-CNN做目标检测。而HyperNet将候选框生成模型和检测模型整合成一个新的网络。另外，HyperNet在小物体的检测上表现更好。在高IoU阈值的情况下，HyperNet的region proposals still perform well。