Light-Head R-CNN

PaperReading TextDetection 2018.02

这是一篇2017年11月份的paper。

1. abstract and introduction

这是object detection领域two-stage detector在速度方面对one-stage detector的反击...

two-stage detector : Fast R-CNN、Faster R-CNN、R-FCN...
one-stage detector : SSD、YOLO、YOLOv2、DeNet...

two-stage detector相对而言，精度较高一些，速度上当然不能与one-stage detector相比。

这篇paper有感于过去的object detector，例如Faster R-CNN和R-FCN在backbone network之后都紧跟着一个heavy-head的结构设计，所以提出了一种light-head结构的detector，以期在速度和精度方面都取得很好的效果。

2. methodology

• basic feature extractor

  Xception-like的网络结构。
  Xception是谷歌在Inception之上提出来的一种网络架构，结合了ResNet和separable convolution。

• thin feature map

  Loght-Head R-CNN最后使用的feature map通道更少，在ResNet-101的stage 5阶段采用了large separable convolution。这么做可以起到类似1x1 convolution的效果，减小了计算量。而且在实验中发现，采用了separable convolution之后，mAP会有0.7个点左右的提升。

  thin feature map是计算量减少的主因。

• R-CNN subnet

  一个全连接层接classification和location regression，这也是为什么称为Light-Head的原因。

• RPN

  这部分不是很清楚，要追寻之前的paper。

3. Experiment

• 精度和速度都有极大的提升。

  single-model的结果，mAP比以往的方法最多高了有2.0个点还多，达到了41.5。
  速度更是超过以往的方法，达到了102fps。

4. Note

感觉这篇文章，是对最新的一些方法的整合应用。其实创新的东西并不是非常多。说明了紧跟科研潮流前线的重要性。