Receptive Field Block Net for Accurate and Fast Object Detection

论文链接：https://arxiv.org/abs/1711.07767
代码链接：https://github.com/ruinmessi/RFBNet
这周接着来看ECCV 2018的文章。这篇RFB Net在我看上一周提到的那篇综述的时候，出现的频率特别高，于是本着好奇的心态研究一下，也和大家做一个简单的分享。

1. Background

这篇论文要解决的问题很简单，作为单阶段的检测方法，它试图寻找速度和精度之间的平衡，就像之前很多single stage的方法一样，在精度近似甚至更优的情况下实现高速度。
不过这篇文章的出发点很有趣，作者认为目前很多single stage的方法为了提高精度，会采用类似ResNet-101这样较深的网络，从而限制了效率。而手工设计的策略（注意是策略不是特征、这篇文章本质上还是CNN网络）相较于单纯加深网络会有更高的效率。因此作者使用VGG这种light model作为特征抽取网络（这里的VGG采用的是SSD中较为高效的结构，并且可以直接和SSD结果进行比较），但在特征整合上下了一些功夫，提出了RFB模块，并得到了很好的效果。
关于这个RFB模块设计的灵感，其实来源于人类的视觉系统，看下面这张图：

这张图其实我也看得似懂非懂，欢迎大家交流吧。只能说看到这里我都吓哭了，这年头不学点生物学、神经学之类的都不好意思说自己是搞CV的。
总之，作者从这张图得到了如下灵感：

人类的视觉系统是由多个具有不同感受野的部分复合而成的。而一般的CNN每层的感受野都是固定的，这会损失一些信息，失去对不同视野的分辨能力，比如靠近中心部分的更重要、需要被强化等。
看到1，可能有些人自然而然地会想起Inception。确实，Inception模块的并行结构采用的就是不同大小的卷积核，确实是将不同的感受野综合起来了。但是作者说，Inception中所有的kernels采样中心是相同的。我个人是这么理解的，根据之前提到的发现，不同的感受野应该具备不同的离心率，套用到CNN网络，kernels越大，采样点应该离中心点越远，应该尽可能地分布地比较散而不是像Inception那样kernel大小变化了仍然聚在一起。
因此，作者给出的最后设计草稿是这样的：

大致思想就是通过调节空洞卷积的rate来调节不同大小的卷积核的离心率，比如5x5分支的采样点和中心的距离就比3x3和1x1的更远。这个思想应该借鉴了很多ASPP，有兴趣的可以去了解这篇文章。
本文的主要贡献也就是提出了这个模块，并且在用RFB模块简单替代了SSD中的top层后，取得了相当好的效果。作者认为，这是因为RFB模块对kernels的大小和离心率之间的关系进行了建模。

2. Method

RFB模块设计

根据上述的设计思路，作者给出了具体的实现：

左边的RFB和最早给出的设计思路基本一致，其中1x1的Conv和Inception一样，主要用于减少计算量和进行跨通道的信息融合。右面的RFBs则是RFB进一步优化的结果，其中3x3的Conv代表两个连续的3x3卷积，用于替代5x5卷积，而1x3和3x1的conv则出于同样的减少参数量的目的。另外，RFBs使用了较多的小kernel，除了运算量方面的考虑，也更适合关注比较局部的信息；比如应用于较浅的层。

网络结构

最终的网络结构如下：

作者的网络是以SSD为基础的，因为VGG16是一个light model，本身也方便做对比，我在这里也截取了SSD的网络结构：

可以看到，原来的conv4_3和conv7_fc的特征现在都要经过RFB模块的处理了。其中，conv4_3模块使用的是RFB-s。而使用特征抽取网络后的top层被替换成了RFB模块，之所以最后两个没有替换，是因为此时它们的feature map已经太小，使用5x5的conv已经显得过大了。
当然这个结构只是大概的，如果想要了解得更具体，尤其是对SSD也不熟的情况下，建议去看源码，不是很复杂。

3. 实验结果

关于对比实验这里就不详细论述了，感觉没有太多需要注意的地方。最后来看一下结果：

直观上来说，RetinaNet800是最好的，但是要考虑到Inference time以及特征网络的问题。如果对比RetinaNet500和RFB Net 512，会发现RFB Net的效果和速度其实非常优秀。另外，这里的RFB NET512-E是作者对RFB Net做出进一步改进的结果，改进的地方包括：在RFB-s之前concat conv7和conv4_3的特征，仿照了FPN的思路……以及为每个RFB模块添加7x7的conv分支。可以看到，优化后，结果已经和RetinaNet500持平，但速度快大概三倍。

RFB Net的另一个特点就是可以从scratch中训练，即不需要预训练也可以较好地收敛。RFB Net300在VOC 07+12上可以取得77.6%的成绩，而预训练模型则是80.5%。

作者认为，RFB模块可以很好地整合进其它网络当中。当然，这还需要实验去进一步的验证，从作者给出的实验和解释来看，还是很值得期待的。

目标检测论文阅读：RFB Net相关推荐

3D目标检测论文阅读多角度解析
3D目标检测论文阅读多角度解析一．前言 CNN(convolutional neural network)在目标检测中大放异彩,R-CNN系列,YOLO,SSD各类优秀的方法层出不穷在2D图像的目标 ...
3D目标检测论文阅读摘要
3D目标检测论文阅读摘要 2D Object Detection 的研究已经非常成熟了,代表作品有RPN系列的FasterRCNN,One Shot系列的YOLOv1-YOLOv3,这里推荐一个2D ...
2019 sample-free（样本不平衡）目标检测论文阅读笔记
点击我爱计算机视觉标星,更快获取CVML新技术本文转载自知乎,已获作者同意转载,请勿二次转载 (原文地址:https://zhuanlan.zhihu.com/p/100052168) 背景 < ...
目标检测论文阅读：GHM(anchor based)
目标检测论文阅读:GHM(anchor based) 论文链接:https://arxiv.org/abs/1811.05181 代码链接:https://github.com/libuyu/GHM_ ...
毫米波目标检测论文阅读笔记 | Radar Transformer: An Object Classification Network Based on 4D MMW Imaging Radar
毫米波目标检测论文 | Radar Transformer: An Object Classification Network Based on 4D MMW Imaging Radar Jie Ba ...
三维目标检测论文阅读：VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection
VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection 理解了PointPillars这篇文章后,看这篇文章就清 ...
目标检测论文阅读：Multi-scale Location-aware Kernel Representation for Object Detection（CVPR2018）
Multi-scale Location-aware Kernel Representation for Object Detection 论文链接:https://arxiv.org/abs/180 ...
目标检测论文阅读：Cascade R-CNN: Delving into High Quality Object Detection（CVPR2018）
Cascade R-CNN: Delving into High Quality Object Detection(CVPR2018) 论文链接:https://arxiv.org/abs/1712. ...
目标检测论文阅读：DeFCN（POTO+3DMF）算法笔记
标题:End-to-End Object Detection with Fully Convolutional Network 会议:CVPR2021 论文地址:https://ieeexplore. ...
目标检测论文阅读：GFL算法笔记
标题:Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detect ...

目标检测论文阅读：RFB Net