1. Motivation
先梳理一下Faster RCNN和R-FCN。
Faster RCNN得到RoI后，进行RoI pooling，得到7x7xchannel的feature map，然后连接上2个FC层，再分类和回归。
R-FCN则是一方面得到RoI，另一方面继续卷积得到一个7x7x(num_cls+1)x7x7的Position sensitive score map。然后进行PSRoI pooling，得到7x7x(num_cls+1)的feature map。直接通过vote(global ave pooling)，分类和回归。
(1)针对准确率: faster rcnn通常为了减少计算量，会对7x7xchannel的feature map直接global pooling。但这样会影响定位效果。
R-FCN的PSROI pooling本身并不是RoI-wise(roi中每个grid都不是对应感受野的信息，而是不同通道的信息)，准确率通常不如faster rcnn。
(2)针对速度，faster rcnn串行计算每个roi，导致网络较慢，尤其是roi很多的情况下。
r-fcn则是因为要计算一个巨大的score map，也很费时。
所以提出light head rcnn，从而make a goog trade-off between the performance and computational speed。
2. light head rcnn
(1) thin feature map
thin指的是通道数变少了，主要针对r-fcn的score map的，原来是7x7x(num_cls+1)x7x7的feature map，现在变为7x7x10x7x7的feature map。其中两个7x7指的是w和h。通道为490。
此外，如何得到这个feature map，也不再是r-fcn中的1x1卷积，而是引入了inception结构。这里称之为large seperable convolution。
这里K=15，为了获得更大的感受野。
(2) R-CNN subnet
由于score map的通道变成了7x7x10。因此PSRoI pooling后，roi的通道只有10，无法进行vote。 因此，我们连接上FC层，再进行分类和回归。
此外，除了PSROI pooing，我们也可以用RoI pooling。 RoI pooling因为时roi-wise，效果反而比PSRoI pooling好。
在rcnn subnet这块，与faster rcnn相比，没有太大的变化。
本文使用的base network 是Xception。最后作者对比了一系列实验，证明light head rcnn无论是mAP还是速度，都超过了FPN、mask r-cnn、RetinaNet、YOLOv2、SSD。
所以，尝试light head rcnn吧！