收錄於IEEE Transactions on Pattern Analysis and Machine Intelligence 2015

1.Background&Motivation

• 論文的背景是Fast/Faster R-CNN成為當時的檢測精度最高的框架，同時Resnet剛發表不久，這個時候，基於迴歸模型的目標檢測框架還沒有發表。
• 作者在論文一開始的時候提出了，基於region proposal的目標檢測框架，隨著前面的特徵提取的網路的深度不斷增加，整個目標檢測系統的精度也在不斷提高。但是人們並沒有對後面的region-wise的分類器做太多的關注，fast/faster r-cnn用的分類器都是普通的多層感知器。
• 所以本文的觀點在於，後面的region-wise的分類器和前面的特徵提取網路，對於提高檢測精度一樣重要。

2.Proposal

作者自己的觀點可以總結為兩點
1. a deep region-wise classifier is important for object detection accuracy , in addition to deep shared features
2. convolutional layers for extracting region-wise features are effective and are complementary to the effects for extracting full-image shared features

3.Experiments

基本的實驗框架如下圖所示

通過一個ROI Pooling將前面的feature extractor和後面的object classifier連線起來

• 實驗一（MLP）
  
  第一組實驗，feature extractor用的是ZF Net,經過ROI pooling之後得到的region feature是固定大小的。這裡的四個對比項，第一行是直接用region feature訓練SVM，下面三行用的是不同數量的fc層。結果表明MLP越深，檢測效果越好

• 實驗二（Conv）
  
  第二組實驗，參照是原來的3層MLP，通過增加classifier當中卷積層的個數，觀察檢測的結果。在VOC07上的結果精度的下降作者解釋是因為07的資料量太少了，出現了過擬合，在07+12上訓練之後，加了卷積層的效果更好。

• 實驗三（fine-tune）
  
  第三組實驗做的是classifier的引數採用隨機初始化以及fine-tune的對比。這裡的maxout其實是用了一下多尺度的輸入。可以看到對classifier進行fine-tune的效果會更好。這裡fine-tune的引數來自前人訓練好的3fcMLP

• 實驗四（error analysis）
  
  通過縱向的對比，可以看出通過加深feature extractor，可以減少recognition error ，通過橫向的對比，可以看出通過設計良好的classifier，可以減少localizaition error。可見後面的classifer和前面的feature extractor是一樣重要的。

• 實驗五（faster rcnn with resnet）
  
  第五組實驗，作者拿了更深的googlenet和resnet做實驗，說明一個良好設計的classifier對於這種深層次，全卷積的網路在目標檢測的應用有著很大的作用。首先作者直接拿vgg16、googlenet以及resnet的模型，直接在最後一個卷積層的後面加上ROI-pooling，可以看到，在stride同樣等於16的時候，3fc的vgg效果要比1fc的googlenet和resnet還要好，即使googlenet和resnet擁有更深的特徵提取網路。當然，如果我們增加googlenet和resnet的MLP的層數的話，他們檢測的精度也會上升，加入卷積層的話，又要比MLP要好。從resnet的最後兩行可以看出，Noc主要是提高了localization的準確度，[email protected]幾乎沒變，但是[email protected]提高了。[email protected]提高了，如果是因為recogniton提高的話，那麼[email protected]也應該也提高，但是幾乎沒變，但是如果在localization提高的話，在0.75可以體現，但是在0.5可能就體現不出來，因為是在大於0.5的基礎上提高的。