RFBNet，是一篇没有公式，通俗易懂，图文并茂，格式优雅的好文，文中提出了RFB，是一个可以集成至其他检测算法的模块，从论文的fig2、3、4、5中也很容易理解，就是受启发于人类视觉感知系统，提出的RFBNet基于SSD的backbone，结合了Inception、虫洞卷积的思想，来尽量模拟人类的视觉感知，最终实验结果也非常好。
训练也没有特别的tricks，占用资源不大，但效果就是好，源码也看着很舒服，跑起来很容易，速度快，自己的数据集也方便训练测试，实验结果非常work，并通过实验结果证明RFB性能的优秀；如果硬是要找缺点的话，就是效果好，但不知道为什么效果好，解释不了，文中也未给出性能好的原因，只是结合人类视觉认知的观点。。。
名词定义：
1 RFB：Receptive Field Block，本文提出的轻量级、并可集成至各类检测算法的模块，结合了Inception、虫洞卷积的思想，可以参照论文的fig2、3、4、5理解；
Abstract
1 现有主流的目标检测器一般两条路子：
1.1 使用强有力的主干网（如ResNet-101、Inception）提取高判别性的特征，但计算开销大，运行速度慢；
1.2 使用轻量级的主干网（如MobileNet），运行速度快，但性能就弱一点；
2 本文提出RFB，并将RFB集成至SSD，形成RFBNet；通过设计的RFB模块，即使在轻量级主干网上也能提取到高判别性特征，最终RFBNet速度快，性能好；
3 RFB受启发于人类视觉的Receptive Fields结构，将RFs的尺度、离心率（size and eccentricity of RFs）纳入考虑范围，最终提升了特征的判别性与鲁棒性；
4 RFBNet在Pacal VOC、COCO上性能很好，Pacal VOC上map超过80%，但因为主干网轻量级（MobileNet、VGG16轻量级网络），速度也很快；---- 因此整体上是一个很实用的网络结构；
1 Introduction
主流的2-stage目标检测算法，如RCNN、Fast RCNN、Faster RCNN在Pascal VOC、MS COCO上性能棒棒哒，一般包含两阶段：
1st stage：提类别无关、不可知（category-agnostic）的region proposals；
2nd stage：基于proposals的CNN特征，作进一步bbox cls与reg；
以上方案中，提取proposals特征的CNN主干网占据着重要角色，我们希望提取到的目标特征，不仅判别性强，而且具有鲁棒的位置平移不变性；
现有sota目标检测算法也都证明了以上观点：一般都基于强有力的主干网，如ResNet-101、Inception；FPN使用自顶而下的方式构建特征金字塔，结合了高低层feature map上的特征，Mask RCNN使用RoIAlign生成更精确的regional features，都使用到了性能强悍的主干网提取到的高判别性特征，弊端就是计算量过大，导致前向预测耗时也很大；
为了提升模型检测的速度，1-stage的目标检测算法应运而生，直接省略了region proposals生成的阶段，如YOLO、SSD，尽管可以达到实时的运行速度了，但对比sota的2-stage方法，却损失了10% ~ 40%的精度；更新的1-stage检测算法，如DSSD、RetinaNet提升了检测精度，性能上完全不输2-stage检测算法，但依旧使用强大的主干网（如ResNet-101），耗时又增大了；
那如果我们想检测器性能佳、速度快，怎么办？作者给了个方向：使用轻量级的主干网，但增加一些人工设计机制（hand-crafted mechanisms），使得提取到的特征表达能力更强，这比无脑的加layer、加conv显得更加优雅；神经学发现，在人类视觉皮层中，群体感受野（population RF，pRF）的尺度是其视网膜图（retinotopic maps）偏心度的函数，虽然各个感受野之间有差异，但其尺度都是随着视网膜图的偏心度而增加的，如fig 1；这一发现揭示了目标区域要尽量靠近感受野中心的重要性，有助于提升模型对小尺度空间位移的鲁棒性；一些传统的浅层特征描述子，如hsog、derf受启发于以上方案，在局部图像匹配上取得了很不错的性能；
从fig 1中能说明几个问题：
(A)：1. 群体感受野的尺度是其视网膜图偏心度的函数，其尺度与视网膜图的偏心度正相关；
2. 不同视网膜图上群体感受野的尺度不一样；
(B)：基于(a)中参数的pRFs的空间矩阵，图中每个圆的半径为合适离心率下RF的尺度；
除模型本身的替换上，还可以使用同等尺度的FRs对feature map上各个位置点上操作（set RFs at the same size with a regular sampling grid，其实就是单个feature map上常规的conv操作），但可能造成特征判别性、鲁棒性的损失，如fig 3；
Inception：通过连接多个分支的conv操作（各个分支上最终得到的卷积核尺度不一，可能堆叠多个conv），最终获得了多个尺度的RFs，Inception V1 ~ V3在目标检测、图像分类上性能棒棒哒，但所有的卷积核是在同样的conv center上做的操作（all kernels in Inception are sampled at the same center，常规的conv操作就是在同样的center上操作的（与center的距离相等），我的理解就是都使用了相同尺度的卷积核，尽管最终各个分支上达到了不同的感受野，但是通过堆叠相同尺度的conv操作达到的）；
ASPP：Atrous Spatial Pyramid Pooling，利用到了多尺度信息，上、下层feature map间连接多个并行的dilated conv分支，每个分支上使用不同的atrous rate，最终得到了对center的不同距离；但虫洞卷积在前一个feature map上，使用了基于相同尺度的conv kernel，提取到的特征判别性还是不够；
Deformable CNN：根据目标的尺度、外形自适应地调整RFs的空间分布，尽管其sampling grid是可变的，但却未考虑到RFs离心率的影响，也即RFs内所有pixel对输出响应的贡献率相同，未使用到fig 1中的结论；
受启发于人类视觉的Receptive Fields结构，本文提出RFB，将RFs的尺度、离心率纳入考虑范围，使用轻量级主干网也能提取到高判别性特征，使得检测器速度快、精度高；具体地，RFB基于RFs的不同尺度，使用不同的卷积核，设计了多分支的conv、pooling操作（makes use of multi-branch pooling with varying kernels），并通过虫洞卷积（dilated conv）来控制感受野的离心率，最后一步reshape操作后，形成生成的特征，如fig 2所示：
从fig 2中可知，RFB也concate了多个conv分支，与Inception结构类似，每个分支上使用不同尺度的常规卷积 + 虫洞卷积，通过常规卷积的不同卷积核尺度来模拟pRFs中的不同感受野，各个分支上通过各自dilated conv所得到的离心率，来模拟pRF的尺度与离心率的比例；
最终通过concate + 1 x 1 conv减少feature map通道数，得到feature map上spatial array of RF就与fig 1中人类视觉体系中的hV4比较类似了；---- 读到这里就明白了，RFB各种操作的良苦用心，就是为了模拟人类的视觉感知模式，最终得到的结果与fig 1的hV4比较类似；
本文进一步将RFB集成至SSD，形成1-stage的RFBNet，RFBNet精度可以与sota的2-stage检测算法相媲美，且不使用ResNet-101这种主干网，仅用轻量级主干网，速度很快；此外，实验中将RFB模块集成至MobileNet中，性能也很好，这充分表明了RFB本身的高泛化能力、和小强般的可适应性；
本文spotlight如下：
1. 提出RFB模块，RFB受启发于人类视觉的Receptive Fields结构，将RFs的尺度、离心率纳入考虑范围，即使通过轻量级的网络结构，也能提取到高判别性的特征；
2 提出将RFB集成至SSD（直接使用RFB替换SSD的top conv层即可），形成RFBNet，速度快，性能好；
3. RFBNet在Pacal VOC、COCO上性能很好，Pacal VOC上map超过80%，但因为主干网轻量级（MobileNet、VGG16轻量级网络），速度也很快，实时；
2 Related Work
Two-stage detector
提到了RCNN、Fast RCNN、Faster RCNN、R-FCN、FPN、Mask RCNN，模型性能逐步提升；
One-stage detector
有代表性的YOLO、SSD，直接在整个feature map上预测多个目标的cls score、bbox loc，都使用了轻量级的主干网以提升模型检测速度，但精度就弱于2-stage的方法了；
DSSD、RetinaNet将轻量级主干网替换为ResNet-101，再使用到如de-conv、focal loss等微操，性能接近、甚至优于2-stage的目标检测算法，但牺牲了检测速度；
Receptive field
本文目标：提升1-stage目标检测算法的性能，却不引入大量的计算开销；因此本文未使用直接替换高计算量主干网的无脑做法，而是受启发于人类视觉系统的RFs机制，引入RFB，在轻量级主干网上也能提取到高判别性的特征；
RFs也已被深入研究，如Inception、ASPP、Deformable CNN，如fig 3：
Inception：通过连接多个分支的conv操作（各个分支上最终得到的卷积核尺度不一，可能堆叠多个conv），最终获得了多个尺度的RFs；但所有的卷积核是在同样的conv center上做的操作，需要更大的卷积核才能生成相同的采样覆盖率（这个我不是很懂），可能丢失目标的重要信息；
ASPP：利用到了多尺度信息，上、下层feature map间连接多个并行的dilated conv分支，每个分支上使用不同的atrous rate，最终得到了对center的不同距离；但虫洞卷积在前一个feature map上，使用了基于相同尺度的conv kernel，认为featre map上每个位置对目标的贡献率相同，可能混淆目标本身和context，提取到的特征判别性还是不够，；
Deformable CNN：根据目标的尺度、外形自适应地调整RFs的空间分布，尽管其sampling grid是可变的，但却未考虑到RFs离心率的影响，也即RFs内所有pixel对输出响应的贡献率相同，未使用到fig 1中的结论；
RFB：强调了类似fig1 hV4的daisy-shape中，RF尺度与离心率间的关联度，距离conv center比较近的位置，通过更小的kernel获取赋予更大的权重（bigger weights are assigned to the positions nearer to the center by smaller kernels），使得靠近center位置的特征更加被强调出来，距离center越远，其对对中特征的贡献率越低；
当前，Inception、ASPP并未在1-stage检测器中取得很好的性能，但RFB结合了二者的优点后，取得了不错的性能提升；
3 Method
本节介绍视觉感知皮层、RFB各个模块，RFB模拟视觉感知的方法，RFBNet的结构，训练 / 测试方案等；
3.1 Visual Cortex Revisit
核磁共振技术（fMRI）可以毫米级精度地检测到人脑活动，感受野建模也成为衡量人脑活动的重要感知方式，pRF模型：神经元的集合反应区域（pooled responses of neurons），基于fMRI + pRF，就可以进一步探索人脑视觉皮层内各区域间的关系，在视觉皮层中，研究人员发现了pRF尺度与偏心率呈正相关，且在不同感visual field maps中，其相关系数还不同；---- 不是很懂，但可结合fig 1理解；
3.2 Receptive Field Block
RFB是一个多分支的conv block，内部结构包含两部分：
1 不同卷积核尺度的多分支conv，于Inception结构等价，用于模拟多尺度的pRFs；
2 虫洞卷积操作，用于模拟人类视觉感知中pRF尺度与离心率间的关系；
RFB模块的可视化结果如fig 2所示；
Multi-branch convolution layer
Inception结构证明：使用多个分支的不同conv kernels，来获取多尺度RFs，性能优于固定conv kernel的方案，RFB使用了最新的Inception结构：Inception V4、Inception-ResNet V2；
具体地：先1 × 1 conv降低feature map通道数，在每个分支上形成bottleneck结构，再接常规n × n conv；并替换5×5 conv为两个堆叠的3×3 conv，不仅降低了参数量，也增加了模型的非线性能力，并进一步使用1 × n + n × 1 conv替换原始n × n conv，并还有一个如ResNet的shortcut设计，如fig 4；
Dilated pooling or convolution layer
结合fig 4，就是增加了虫洞卷积，核心思想：在保持相同数量参数，生成更大分辨率feature map的前提下，增加各层feature map的感受野，使之获取更多的上下文信息；虫洞卷积在SSD、R-FCN上性能很好，RFBNet使用虫洞卷积来模拟人类视觉感知中pRFs离心率的作用；
结合fig 4就很好理解了，每个分支的常规conv操作后，连接一个dilates conv层（即conv，ratio），可以注意到，常规conv的kernel size与dilate conv的ratio刚好是对应的，作者认为就可以模拟pRFs的尺度与离心率；---- 虽然我并不懂这个原理；
最后各个分支concate后再接1 x 1 conv，再与shortcut做element-wise sum，可视化结果就如fig 1、2所示了；
3.3 RFB Net Detection Architecture
RFBNet基于multi-scale + 1-stage的SSD， 将RFB模块直接接到SSD的top conv层即可，速度快，效果好，还可以复用SSD的很多参数；
Lightweight backbone
复用了SSD的backbone VGG16，在ILSVRC CLS-LOC上做pre-train，将fc6、fc7全连接层参数做sub-sampling后变为conv layer，pool5改2×2-s2为3×3-s1（feature map尺度未降），并新增dilated conv以扩大感受野，忽略fc8和所有的dropout层；
RFB on multi-scale feature maps
SSD使用特征金字塔的多分支检测目标，feature map尺度逐步减少，感受野逐步增大，RFBNet继承SSD的结构，在高分辨率的conv4-3上接RFB-s模块，模拟人类视网膜中的小尺度pRFs；最顶两层未使用RFB模块，作者说主要是feature map尺度太小了，没法使用类似5 x 5尺度的卷积核；
3.4 Training Settings
RFBNet实现基于ssd.pytorch，训练策略与SSD一致：数据增强、OHEM、default box的尺度、长宽比设置，损失函数（loc：smooth L1 loss；cls：softmax loss），仅修改了 lr 的设置方式，新增卷积层使用MSRA的方法，对应代码里面的kaiming_normal；
4 Experiments
RFBNet在Pascal VOC 2007（20类）、MS COCO（80类）上测试，Pascal VOC计算mAP的gt bbox与pred bbox的IoU阈值为0.5；COCO屌一点，COCO-style的AP评估标准为IoU阈值从[0.5，0.95]区间，stride = 0.05，可以更全方位地评估检测器性能；
4.1 Pascal VOC 2007
使用trainval_2007 + trainval_2012（二者因为数据有重复，所以取交集数据）训练RFBNet，共训练250个epochs；如果直接复用SSD中lr = 10-3训练，会导致RFBNet训练时loss剧烈波动，不易收敛，实验中采用的 “warmup” 策略：前5个epochs，将 lr 从10−6逐步提升至4×10−3，再用常规训练策略，在150 / 200 epochs上分别将 lr 减少10倍；
table 1为RFBNet性能，SSD300* / SSD512*通过数据增强生成更多的小尺度样本图片用于模型训练，RFBNet512的mAP：82.2%，与2-stage的R-FCN很接近，而R-FCN基于ResNet-101的主干网，速度却慢很多；
4.2 Ablation Study
来一波消融实验，结果如table2、3：
RFB module
baseline：SSD300*（全新的数据增强方法），mAP：77.2%，替换最后的conv层至RFB-max pooling，就可以79.1%，说明RFB模块的性能不错；
Cortex map simulation
增加RFB-s：修改RFB参数来模拟cortex maps中pRFs尺度与离心率的比例，从table 2中可知mAP：79.1% -> 79.6%（RFB max-pooling），80.1% -> 80.5%（RFB-dilated conv）；
More prior anchors
原版SSD在conv4_3、conv10_2、conv11 2上设置4个default boxes，其他层设置6个default boxes，但HR、S3FD认为检测小尺度目标的低层feature map上（如conv4_3），若设置更多anchor，可以更方便召回小尺度目标；
于是在SSD、RFBNet的conv4_3上也都设置了6个default boxes，实验结果发现对SSD没性能提升，但对RFBNet确有性能提升（79.6% -> 79.8%）；
Dilated convolutional layer
table 2中对比了RFB-max pooling、RFB-avg pooling、RFB-dilated conv三种方案，发现RFB-dilated conv性能最好（79.8% -> 80.5%），原因：前两种方案（dilated pooling）虽然避免了新增额外的参数，却限制了多尺度RFs的特征融合；
Comparison with other architectures
Inception-L：修改该模块内参数，使之与RFB有相同尺度的RF；
ASPP-S：原版ASPP中参数训练于图像风格数据，对目标检测而言，其RFs过大，实验中也做了调整，使之RFs尺度与RFB保持一致；
消融实验也很容易做，在fig 5中把最顶层换成table 3中各个模块，其他训练流程、参数保持一致，可以发现RFB还是最牛逼的，且作者认为RFB有更大尺度的RF，会带来更精准的目标定位；
4.3 Microsoft COCO
COCO上来一波：训练集trainval35k（train + val 35k set），复用SSD在COCO中减少default box尺度的策略（因COCO上目标尺度远小于Pascal VOC），仍使用Pascal VOC类似的 “warmup” 策略，总共训练120个epochs；
从table 4中可知，RFBNet性能很好，比baseline的SSD300*性能好，比基于ResNet-101主干网的R-FCN快（输入600 × 1000 pix图像），RFBNet512与RetinaNet500性能比较接近，但RetinaNet500使用ResNet-101-FPN主干网 + focal loss，RFBNet512仅基于轻量级的VGG16模型，速度快很多；
RetinaNet800虽然性能最好，但基于800 pix短边图像输入，耗时就更长了；
RFBNet512-E使用两种方案进一步提升模型性能（mAP：34.4%，耗时却只增加3ms）：
1 与FPN类似，在使用RFB-s前，将conv7 fc的feature map上采样（RFBNet是全卷积，所以conv7 fc也是4-d tensor），再与conv4_3做concate；
2 在所有RFB模块中增加一个7 x 7卷积核的分支；---- 对应到RFB_Net_E_vgg.py代码中，分为1 x 7的conv、7 x 1的conv、dilation = 7的虫洞卷积等；
5 Discussion
Inference speed comparison
结合table 1、fig 6，RFBNet真腻害，速度快，实时，效果好，都集中在图像左上角；
Other lightweight backbone
table 5，在MobileNet-SSD上添加RFB模块，train + val35k上训练，minival5k上测试，可以进一步提升性能，充分证明了RFB本身强大的泛化能力；
Training from scratch
现在训练检测器一般都是基于在ImageNet上已训练好的分类模型，以该分类模型为backbone，再在检测数据集上继续训练（相当于复用分类模型的参数，因为分类模型也有很强的特征提取能力）；如果检测器参数也从零训练，一般效果都不怎么好；
DSOD：无需预训练模型，直接使用轻量级结构在VOC 2007上从零训练， test set上mAP：77.7%，但若使用pre-trained模型训练，性能竟没有进一步提升；---- 炼丹啊，毫无道理可言；
RFN模块竟然也有从零训练的能力，作者将RFBNet-300也在VOC 07+12 trainval上training from scratch，在test set上mAP：77.6%，与DSOD旗鼓相当，但如果增加了轻量级VGG16作为pre-trained backbone，mAP就到了80.5%，真是神奇啊~~~
6 Conclusion
1 本文提出RFB，受启发于人类视觉的Receptive Fields结构，不使用计算量大、层数深的主干网，通过轻量级主干网结构，结合RPB模块，也能提取到高判别性的特征；
2 RFB度量了RFs的尺度、离心率间的关系，可以生成更有判别性、更鲁棒的特征；
3 将RFB集成至SSD（轻量级的VGG16做主干网），形成RFBNet，RFBNet在Pacal VOC、COCO上性能很好，Pacal VOC上map超过80%，与sota的2-stage检测算法（使用高计算量的主干网，如ResNet-101）性能相当，且因为RFBNet主干网轻量级，运行速度很快；
