Paper Reading:HyperNet

论文：HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
发表时间：2016
发表作者：(tsinghua)Tao Kong, Anbang Yao, Yurong Chen, Fuchun Sun
发表刊物/会议：cvpr
论文链接：论文链接

CNN高层特征具有丰富的语义信息，低层特征具有较高空间分辨率，研究如何融合不同层之间的特征，是物体检测领域热门的方向。近期很多工作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺序，分类为早融合(Early fusion)和晚融合(Late fusion)。
早融合: 先融合多层的特征，然后在融合后的特征上训练预测器。这类方法也被称为skip connection。这里面的代表是ION和HyperNet。本文主要介绍 HyperNet的思想细节。
HyperNet是2016年清华提出的优秀的Faster-RCNN变种。HyperNet主要改进在于集合了多层的特征图，得到多尺度的超特征（Hyper Feature），相比与Faster-RCNN，HyperNet更擅长处理小物体，在高IOU时更有优势，mAP提高3.1%。但多尺度也必然降低速度。其快速模型HyperNet-SP速度与Faster-RCNN相同，VOC上mAP仅提高1.6%。但注意到其应用的跳层特征（skip layer feature）在处理小物体检测中已经在ION等多次被用到，成为了一种常用的有效手段。

整体框架

按照红框的依次介绍:

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$3232$的物体，到最后一层feature map 只剩下了$22$，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$1000600$的图最后的map size 会是$6237$, 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。

Region Proposal Generation：
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。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。

Object Detection：
和fast rcnn到大同小异，在原来的检测网络基础上做了两点改进：
a）在 FC 层之前添加了一个 卷积层（$3363$），对特征有效降维；
b）将 DropOut 从 0.5 降到 0.25；
另外，与 Proposal一样采用了 NMS 进行 Box抑制，但由于之前已经做了，这一步的意义不大。
采用了 联合训练（joint training）的方法，首先对 Proposal 和 Detection 分别训练，固定一个训练另一个，然后 joint 训练，即共享前面的卷积层训练一遍，具体可以参考原文给出的训练流程。

Hyper Feature Extraction

跳层提取特征。既能获取高层语义，又可以得到低层高分辨率的位置信息。提高小目标检测效果。
注：
不同层提出了不同的采样策略。在层次较低的卷积层最大池化。对层次较高的卷积层，添加了一个反卷积操作（Deconv）来进行上采样。最后，用LRN(local response normalization)归一化多个feature maps。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。
该特征主要有以下优点：
（1）多级抽象，将不同高低的层的CNN特征结合
（2）适当的分辨率，对于一个$1000600$的图像的特征图分辨率正好调整至250150，这个尺度对于检测很方便
（3）计算效率，所有特征可以在proposal和detection产生前进行预计算好，做到没有计算冗余

训练中的loss函数主要有两部分，类别loss，bounding box和positive box的loss，这里主要参考了其他文章，没有特别的地方。而proposal的产生部分参数，则主要参考R-CNN。

加速方法

为了速度的提升，这里去除了ROI pooling层后面的$334$的卷积层加速，这样主要有两点优势：Hyper特征图数量大大减少，同时滑动窗分类器更加简单（from Conv-FC to FC）

实验效果对比

通过对比可以看到 mAP 比 Faster 提高了 1%，主要是多尺度的功劳。