R-FCN论文阅读(Object+Detection+).docxVIP

R-FCN论文阅读（R-FCN: Object Detection via?Region-based Fully Convolutional Networks ）方法概括R-FCN解决问题——目标检测整个R-FCN的结构一个base的conv网络如ResNet101, 一个RPN（Faster RCNN来的）,一个position sensitive的prediction层，最后的ROI pooling+投票的决策层R-FCN的idea出发点（关键思想）分类需要特征具有平移不变性，检测则要求对目标的平移做出准确响应。现在的大部分CNN在分类上可以做的很好，但用在检测上效果不佳。SPP，Faster R-CNN类的方法在ROI pooling前都是卷积，是具备平移不变性的，但一旦插入ROI pooling之后，后面的网络结构就不再具备平移不变性了。因此，本文想提出来的position sensitive score map这个概念是能把目标的位置信息融合进ROI pooling。对于region-based的检测方法，以Faster R-CNN为例，实际上是分成了几个subnet work，第一个用来在整张图上做比较耗时的conv，这些操作与region无关，是计算共享的。第二个subnet work是用来产生候选的bounding box（如RPN），第三个subnet work用