https://zhuanlan.zhihu.com/p/26743074

FPN论文链接：https://arxiv.org/pdf/1612.03144.pdf

DSSD链接：https://arxiv.org/pdf/1701.06659.pdf

最近比较流行的网络结构是Hourglass形状，将高层特征与低层特征相互融合，利用融合后的特征进行分类和定位。这篇文章主要分析FPN和DSSD的方法。

一、FPN：Feature Pyramid Networks for Object Detection [1]

1、Motivation

SSD [3]、MSCNN [4]利用不同层的特征图进行不同尺寸的目标预测，又快又好，基于proposal的方法就坐不住了，所以这篇文章首先也采用了这种思路：在不同深度的特征层上预测不同尺寸的目标。

但是SSD为了预测小目标，就得把比较低的层拿出来预测，这样的话就很难保证有很强的语义特征，所以作者就想着，为什么不把高层的特征再传下来，补充低层的语义，这样就可以获得高分辨率、强语义的特征，有利于小目标的检测。

2、网络结构

FPN的top-down（右边）结构把每一层的channels都改成了256d，然后每一层经过一个3x3的卷积消除上采样带来的混叠效应。

虚线框可以理解成特征融合的操作，1x1的卷积我认为有三个作用：使bottom-up对应层降维至256；缓冲作用，防止梯度直接影响bottom-up主干网络，更稳定；组合特征。上采样2x up作者采用的是nearest neighbor。加号是elementwise sum（DSSD中实验结果是elementwise product会好一点点）。

3、应用

作者利用FPN进行了两类实验：RPN获取proposals + 目标检测。在FPN的基础上只需要加上每个任务的head就可以，很简单。

<1> RPN

在图一中右侧的predict处加上RPN的head，即加上一个3x3的卷积和两个1x1的卷积预测类别和位置信息。然后在每一层分配不同scale的anchor boxes{32，64，128，256，512}，宽高比是{1:2，1:1，2:1}，也就是说负责预测的每一层的每一个位置都放置了15个anchors。

需要注意的是：每一层的heads都是共享参数的。

<2> Object detection

作者检测器选择的是Fast RCNN，同样的，也是每一层都加上predictor head，即分类器和bb回归器。结构是：RoI pooling提取7x7的特征，然后经过两个1024-d fc层，然后是最终的分类和回归。

这里比较重要的一点是怎么把RoI分配给每一层，一般的想法是直接按照尺寸来分配，但是作者采用了下面的公式：

Faster RCNN用了Res-Net的，所以作者也把设置为4；也就是说如果你的RoI的面积小于，那么这个RoI就从上提取特征。

具体的实验结果见论文。

4、有趣的结论

<1> 如果没有top-down的语义增强分支（仍然从不同的层输出），那么RPN的AR（average recall）会下降6%左右；

<2> 如果不进行特征的融合（也就是说去掉所有的1x1侧连接），虽然理论上分辨率没变，语1义也增强了，但是AR下降了10%左右！作者认为这些特征上下采样太多次了，导致它们不适于定位。Bottom-up的特征包含了更精确的位置信息。

<3> 如果不利用多个层进行输出呢？作者尝试只在top-down的最后一层（分辨率最高、语义最强）设置anchors，仍然比FPN低了5%。需要注意的是这时的anchors多了很多，但是并没有提高AR。

<4> 在RPN和object detection任务中，FPN中每一层的heads 参数都是共享的，作者认为共享参数的效果也不错就说明FPN中所有层的语义都相似。

---------------------------------------------------------------------------------------------------------------------------

我主要在做SSD的方法，所以我也尝试了把SSD改成FPN的结构，但是。。。网络从开始就在发散（更新：这句话错了），所以就仔细看了下下面一片论文DSSD。

---------------------------------------------------------------------------------------------------------------------------

二、DSSD：Deconvolutional Single Shot Detector [2]

DSSD是17年放出来的论文，刚开始看的时候觉得没什么新东西，就是模仿了FPN的思路，加了top-down的特征融合，然后就扫了一眼扔掉了，直到自己试了FPN的结构之后才拿出来重读了一遍。

1、Motivation

说白了，作者就是想模仿FPN这类方法，给SSD也进行一下特征融合。但是作者也在摘要里指出：a naive implementation does not succeed。

2、网络结构

其实网络结构整体来看没什么新意，和FPN的结构很相似，但是重点是作者设计的两个小模块，一个是Prediction Module，一个是Deconvolution Module。

<1> Prediction Module:作者说加这个模块是因为MS-CNN指出提升每个子任务的表现可以提高准确性（我在看MS-CNN时对这个结论没有啥印象）。这个有一点效果吧，(c)的效果最好。作者在最后提出，加PM是为了防止梯度直接流入Res-Net主干。

<2> Deconvolution Module：我认为这个模块是重点，是经过作者精心设计的。我猜作者开始应该也是按照FPN简单的搭了一下网络，发现发散，然后加了三个BN和三个3x3卷积，这里的卷积也起到了缓冲的作用，防止梯度对主干网络影响太剧烈，保证网络的稳定性。（我觉得一篇好论文不仅要说明怎样设计的网络，还应该大概说一下为什么这样设计，DSSD就直接说模块结构由另一篇论文启发，看着很不舒服）

3、实验细节

<1> 特征融合后每一个负责预测的特征层channel维度变为512；

<2> Deconvolution可学习,而不是固定得双线性插值；

<3> 模仿YOLO2[5]，用聚类的方法设计anchors 的宽高比，在SSD基础上增加了宽高比1.6；

<4> 训练时采用了三阶段（论文里说两阶段，但我觉得应该算三阶段了）：

第一阶段训练一个原始SSD模型；

第二阶段训练deconvolution 分支，freeze所有原始SSD模型里的层；

第三阶段所有层一起finetune。

4、有趣的结论

<1> top-down并不是和bottom-up对称的，作者说这是因为对称的Hourglass形状的网络没有与训练的模型。我觉得可能是完全对称的话top-down分支不能合理的初始化，网络容易发散，不稳定。

<2> 作者认为： 反卷积不仅提升了分辨率，还增加了context信息；

<3> 作者在验证Prediction Module作用的时候，并没有进行（原始SSD + Prediction Module） （SSD + Res-Net + Prediction Module），而是直接把后者和原始SSD进行了对比，我觉得可能不是那么让人信服，后面准备自己测试一下。

<4> 训练得第三阶段（即DSSD整个网络finetune）反而使mAP降低了挺多（0.7%）；

<5> 使用Residual-101后，训练收敛速度更快了，但是对于小的输入尺寸效果并不怎么好，提高输入尺寸后Residual有优势，因为它比较深。

+++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++

更新，今天重新进行了net surgery，发现是deconvolution一个小细节没有注意到，导致发散，修改后完全可以正常运行 =_=||

17-7-21

+++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++ +++++

Reference

[1] Lin T Y, Dollár P, Girshick R, et al. Feature Pyramid Networks for Object Detection[J]. arXiv preprint arXiv:1612.03144, 2016.

[2] Fu C Y, Liu W, Ranga A, et al. DSSD: Deconvolutional Single Shot Detector[J]. arXiv preprint arXiv:1701.06659, 2017.

[3] Liu W, Anguelov D, Erhan D, et al. SSD: Single shot multibox detector[C]//European Conference on Computer Vision. Springer International Publishing, 2016: 21-37.

[4] Cai Z, Fan Q, Feris R S, et al. A unified multi-scale deep convolutional neural network for fast object detection[C]//European Conference on Computer Vision. Springer International Publishing, 2016: 354-370.

[5] Redmon J, Farhadi A. YOLO9000: Better, Faster, Stronger[J]. arXiv preprint arXiv:1612.08242, 2016.