0.abstract
本文主要对主流的三类object detector进行了speed-accuracy trade-off上的比较。
三类”meta-architectures”：faster rcnn 、r-fcn以及ssd
faster rcnn和r-fcn是region-based detector，不同的是，faste rcnn里面box classifier用的是强分类器，而r-fcn里面的box classifier相对可以看成弱分类器的组合。
ssd（这里包括了yolo等）是region-free detector
作者主要探讨了不同的feature extractor、image resolution、以及对于faster rcnn和r-fcn来说，number of proposals对检测器性能（精度、速度、内存使用）的影响
1.Motivation & contribution
目前主流的目标检测框架缺乏相互之间各方面的对比，因此作者在tensorflow上将各个主流的检测算法都实现了一遍，用来对比不同检测算法，当然这里对比的都是各个算法的single model，也就是说不使用ensemble。
作者主要的两点发现是：
1. 在Faster R-CNN中，使用更少的proposals能够使系统的速度有显著提升，而且不会造成精确度上较多的损失，从而使得其与SSD、R-FCN等相比后更具竞争力。
2. 相比于Faster R-CNN和R-FCN，SSD对于特征提取器的质量更为不敏感。
2.Meta-architecture
文中主要关注三种最近的meta-architectures：SSD，Faster R-CNN和R-FCN。虽然提出这三种方法的论文中都使用了特定的特征提取器，本文中将会对这三种元结构从特征提取器中进行进行分离，从而使得它们可以使用任意的特征提取器。
Single Shot Detector (SSD)：文中将SSD定义为使用单个前馈神经网络来直接预测类别和 anchor offsets，并不要求stage per-proposal分类操作。Multibox和RPN都使用了这一方法来预测类不可知（class-agnostic）的proposals。
Faster R-CNN：detection分两步走。第一步产生region proposals，中间层的一些特征（例如VGG16中的conv5）被用于预测box proposals。第二步利用这些box proposals在同一层来裁剪特征并将它们送入特征提取器的剩下几层（例如fc6和fc7）来获得所属类别并修正proposals。
R-FCN：与Faster R-CNN不同的是，R-FCN是在产生预测region proposals的那一层的前面一层对特征进行裁剪而非与预测同一层。这样做的好处在于每个区域所需的计算总量实现最小化。
SSD结构，region-free / single shot 直接得出分类和anchor offsets
faster rcnn结构：region-based / 每一个proposal需要经过后面的sub-network 。 需要利用proposal generator先得出分类和proposals然后将box proposals再送回预测出它们的中间层进行对特征的crop，最后送入fc6和fc7（图中用蓝色矩形表示），得出最终结果（两个蓝色小矩形）
R-FCN结构：region-based / feature map经过一次sub-network，每一个proposal通过ps roi-pooling即可得到预测量。 Box Classifier这一步中box proposals被送回到特征层的最后一层（也就是图中三个蓝色矩形后面的那一层），紧接着就是预测层了（蓝色小矩形）。
3.Architecture configuration
3.1feature extractor
作者主要选择了6种常用的feature extractor：vgg16/resnet-101/inception-v2/inception-v3/inception resnet-v2/mobilenet
下图表示各个feature extractor在imagenet上的精度和参数的数目
3.2 number of proposals
对于faster rcnn和r-fcn，原论文都是选择300个proposal进行实验。作者在本论文中将proposal的数目在10到300取值进行实验。
3.3 output stride setting
对于resnet和inception resnet，output stride可以设置为16和8
3.4 loss function
所有实验模型的loss function都是采用smooth L1 loss
3.5 input size configuration
训练的时候每一个模型都训练一个high-resolution版本和low-resolution版本
对于Hi re：设置短边为600
对于Lo re：设置短边为300
3.6 traing and hyperparameter tuning
对于原版的faster rcnn和r-fcn，作者用的是4-stage training strategy，在本文中，作者用end-to-end的方式训练所有的模型
另外，作者将faster rcnn和r-fcn中的roi pooling替换成了crop_and_resize层（用双线性插值的方法将proposal resample到fixed size）
3.7 benchmarking procedure
测试图片需要将短边resize到300或者500，测试时间是在500张图上的平均，内存占用是在3张图片上取平均；
测试集为COCO，标准为MAP@IOU[0.5:0.05:0.95]
4.Results
4.1accuracy vs time
可以看到:
最快的模型应该是SSD w/MobileNet Lo Res
较好的speed/accuracy折衷是 faster rcnn w/Resnet Hi res 50 proposals和R-FCN w/Resnet Hi Res 100 proposals.
精度最高的是faster rcnn w/Inception resnet Hi res 300 proposals output_stride=8
总的来说：
R-FCN和SSD模型速度较快，Faster R-CNN速度相对较慢但是精确度较高。但是如果我们限制region proposal的个数，Faster R-CNN也可以达到相同速度。图中也画出了一条虚线，即optimality frontier，意味着如果要到达这条虚线上的点的精确度那么就必须牺牲速度。
4.2 the effect of feature extractor
图三表明在分类和检测这两个方面的确有很大的联系，但仅限于FasterR-CNN和R-FCN。
对于faster rcnn和r-fcn，一般来说，feature extractor在classification teask上的准确率越高，对应的detector的performance越好，对于SSD来说，对feature extractor的性能不那么敏感。
4.3 the effect of object size
可以看到的是，所有的模型在大的目标上的检测效果都很好，SSD在小目标的检测效果上明显要比faster rcnn和r-fcn系列要差。
4.3 the effect of image size
图片的分辨率对检测的精确度有影响，本实验中降低两个百分点分辨率会持续导致精确度的下降，但同时也减少了使用时间
4.4 the effect of the number of proposals
横轴表示proposal的数量，实线表示mAP，虚线表示GPU time。可以看到，对于faster rcnn来说，可以在不怎么损失mAP的情况下，减少proposal的数量，从而提高速度。
但是对于r-fcn来说，减少proposal的数目并不能得到更好的speed-accuracy trade.
这是因为r-fcn把原来faster rcnn的roi pooling移到了网络的最后一层，这样所有proposal的计算量就大大减少了，降低proposal的数目对速度的影响也就不大。
4.5 memory analysis
不同模型的GPU内存占用量，实现表示使用不同数目的proposal带来的variance。
4.6
作者在实验中还发现，mAP@0.75和常用的COCO指标mAP@[0.5:0.95]高度相关，因此，在0.75IOU下表现好的模型，在所有的IOU阈值下的表现应该也都不错。
4.7 state-of-art performance on COCO
最后，作者将实验中几个表现较好并且相互之间比较互补的模型ensemble起来，得到了state-of-art的性能。
