1.5.1　提出动机

在R-CNN系列论文中，目标检测一般分成两个阶段：

（1）提取候选区域；

（2）候选区域分类和位置精校。

在R-FCN之前，效果最好的Faster R-CNN是使用RPN生成候选区域，然后使用Fast R-CNN进行分类。在Faster R-CNN中，首先使用ROI池化层将不同大小的候选区域归一化到统一大小，之后接若干全连接层，最后使用一个多任务作为损失函数。多任务包含两个子任务：

● 用于目标识别的分类任务；

● 用于目标检测的回归任务。

在Faster R-CNN中，为了保证特征的“位移可变性”，Faster R-CNN利用RPN提取了约2000个候选区域，然后使用全连接层计算损失函数。然而候选区域有大量的特征冗余，造成了一部分计算资源的浪费。R-FCN采用了和Faster R-CNN相同的过程，不过做了如下改进：

● R-FCN模仿FCN，采用了全卷积的结构；

● R-FCN的两个阶段的网络参数全部共享；

● 使用位置敏感网络产生检测框；

● 位置敏感网络无任何可学习的参数。

R-FCN最大的特点是使用了全卷积的网络结构，即使用1×1卷积代替了Faster R-CNN中使用的全连接。1×1卷积起到了全连接层加非线性的作用，同时还保证了特征点的位置敏感性。R-FCN的结构如图1.18所示。从图1.18中可以看出，R-FCN的最重要的模块便是位置敏感网络。

在R-FCN的位置敏感网络中，每个ROI被划分成一个k×k的栅格，每个栅格负责检测目标物体的不同部位。例如，对于“人”这个目标，中上部区域大概率对应的是人的头部，同理，ROI的其他栅格也对应到目标物体的其他部位。当ROI的每个栅格都找到目标物体的对应部位时，分类器便会判断该ROI的类别为目标物体。当ROI的每个栅格都没有找到目标物体的对应部位时，那么该ROI就是一个背景区域。

这个解决方案有两个问题：一是目标物体之间会有重叠，例如图1.18中有人骑在马上的情况；二是目标物体会有不同的姿势，例如人可以弯腰、蹲着等。对于第一个问题，R-FCN采用的策略是输出k2×(C+1)个通道的特征图，此时每个通道只负责检测某类目标的某个部位，例如某个通道只负责检测人脸。这个策略不仅可以解决不同物体之间的重叠问题，而且可以解决同一类目标的重叠问题。其实对于第二个问题，采用的策略是如果目标的大部分区域被检测到，我们便可以认为该目标被检测到，这种策略可以解决绝大多数目标物体的不同姿势的问题。

图1.18　R-FCN的结构