【转】Deformable ConvNets论文笔记

转自：http://m.blog.csdn.net/yucicheung/article/details/78113843

2.1 Deformable Convolution

2D的卷积包括两个步骤：1)用一个规则的网格R在输入特征图上进行采样；2)对于采样的值用w进行加权再求和。网格R定义了感受野大小和扩张量。比如

R={(−1,−1),(−1,0),…,(0,1),(1,1)}
定义了一个3×3的核并且扩张量(空洞)为1。

对于在输出特征图y上的每一个位置p0来说，我们有
y(p0)=∑pn∈Rw(pn)⋅x(p0+pn),   (1)
其中pn会穷举在R中的位置。

在可变形卷积中，用偏移{Δpn|n=1,…,N}对规则的网格R进行扩充，其中N=|R|.公式(1)就变成
y(p0)=∑pn∈Rw(pn)⋅x(p0+pn+Δpn).   (2)

现在，采样就在不规则有偏移的位置pn+Δpn上进行。因为这个偏移Δp通常是小数，等式(2)要按以下进行双线性插值
x(p)=∑qG(q,p)⋅x(q),   (3)
其中p表示一个任意的（小数）位置(对于等式(2)p=p0+pn+Δpn)，q穷举在特征图x上的所有整数空间位置，并且G(⋅，⋅)是双线性插值的核。注意G是二维的。它被分成两个一维的核
G(q,p)=g(qx,px)⋅g(qy,py),   (4)
其中g(a,b)=max(0,1−|a−b|).等式(3)的计算会很快因为G(q,p)只在几个q上是非零的。



正如在图2中描述的一样，偏移是通过在同一个输入特征图上再应用一个卷积层来获得的。卷积核的空间分辨率和扩张量和目前的卷积层一样（比如，在图2中也是3×3扩张量为1）。输出的偏移的域的和输入的特征图有相同的空间分辨率。通道维度2N对应着N个2D的偏移。在训练中，用于产生输出特征和偏移的卷积核同时在进行学习。要学习到偏移量，梯度通过等式(3)和(4)中的双线性操作进行反向传播。详情参见附录A.

2.2 Deformable RoI pooling

在所有基于region proposal候选区域的物体检测方法中都有用到RoI pooling。它把一个输入的任意大小的矩形区域转化为一个固定大小的特征。
RoI pooling 给定一个输入特征图x和一个大小为w×h的RoI以及其左上角p0，RoI
pooling把RoI分成k×k(k是自由参数)个长方块并且输出一个k×k的特征图y。对第(i,j)个长方块(0≤i,j<k)，有
y(i,j)=∑p∈bin(i,j)x(p0+p)/nij    (5)
其中nij是在长方块中的像素点数。第(i,j)个长方块范围是⌊iwk⌋≤px<⌈(i+1)wk⌉并且⌊jhk⌋≤py<⌈(j+1)hk⌉.

类似于等式(2)，在可变形RoI pooling中，偏移{Δpij|0≤i,j<k}会被加入到空间长方块的位置上。这样等式(5)就变成
y(i,j)=∑p∈bin(i,j)x(p0+p+Δpij)/nij    (6)

Δpij往往是小数。等式(6)通过等式(3)和(4)中的双线性插值来实现。



Fig3画出了如何获取偏移。首先，RoI pooling（等式5）产生pooled的特征图。从这些图中，一个fc层产生归一化后的偏移Δp^ij，这个归一化的量之后会被转化为公式(6)中的偏移量Δpij，通过与RoI的宽和高做元素间的乘法，即Δpij=γ⋅Δp^ij∘(w,h).这里面的γ是一个提前定义好的标量用来调节偏移的幅度。跟据经验设为γ=0.1。偏移归一化是有必要的，为了让偏移的学习不因RoI的尺寸不同而变化。fc层用反向传播来学习，细节在附录A中。

Position-Sensitive(PS) RoI Pooling 这是全卷积的，并且和RoI Pooling不同。 通过一个卷积层，所有的输入特征图都首先被转化，对每个物体类别有k2个分数图（如果物体类别是C，那么总共有C+1种），就如在图4中最底下的那个分支一样。不需要在类别之间进行区分，这种分数图被表示为{xi,j}其中(i,j)对所有长方块进行穷举。Pooling会在这些分数图上进行，对于第(i,j)个长方块的输出值是通过相应的长方块的分数图xi,j进行求和而获得的。简言之，与等式(5)中的RoI
Pooling不同的地方是一个本来是一个整体的特征图x，现在换成了一个特定的对位置敏感的分数图xi,j.

在deformable PS RoI pooling中，只在等式(6)中更改了一处，就是将x改为了xi,j。然而，学习偏移的方式是不同的。它遵循了论文全卷积的精神，就如同图4描述的一样。在最高的分支中，一个卷积层生成完全的空间像素偏移域。对于每一个RoI（同时也对于每一个类别），PS
RoI pooling会被应用在这些域上以获取归一化的偏移量Δp^ij，然后通过上述deformable
RoI pooling中一样的方法变成真正的偏移量Δpij。



2.3 Deformable ConvNets

deformable convolution和RoI pooling模块与它们的平凡版本有相同的输入和输出，因此，就能方便地替换现有CNN中对应的普通模块。在实际训练中，这些添加的用于学习偏移的conv和fc层都以零权重初始化。学习率设为现有层的学习率的β倍(默认β=1，在Faster
R-CNN中的fc层设β=0.01)。它们要利用等式(3)和(4)中的双线性插值，通过BP的方法训练。最终的CNN就叫做deformable
ConvNets。

要把deformable ConvNets和目前为止最好的CNN架构结合起来，我们注意到这些架构都是由两个阶段组成：第一，一个深度的全卷积网络在整张输入图上产生特征图；第二，一个范围窄的针对特定任务的网络由特征图来生成结果。我们在以下内容中对这两点进行详细说明。

Deformable Convolution for Feature Extraction