HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

提出了一种Proposal提取和目标检测一体的网络，Faster-rcnn中的proposal提取网络RPN由于特征图的粗糙，在小目标及大IOU阈值情况下的检测率低。论文提出了HyperNet，综合低层，中间层和高层特征获得了较高的recall率。

HyperNet的示意图如下所示:



HyperNet网络结构

先将全图送入卷积层生成激活图，累积多层特征图压缩至归一化空间，即Hyper特征，之后proposal生成网络输出100个左右的proposal，最后使用检测模型分类及调整proposal。网络结构如下图所示：



生成Hyper特征

使用卷积层计算整张输入图的特征图，为了在同一分辨率下组合多层特征图，作者对不同层使用了不一样的采样策略，在低层使用最大池化下采样，高层特征使用反卷积操作进行上采样。之后对所有的采样结果进行卷积操作，使用局部响应归一化对特征图进行归一化，Hyper特征的几个优势：多层抽象，分辨率适于检测，计算效率高。

生成proposal

设计了一个轻量型的卷积网用于生成proposal，这个卷积网包括一个ROI池化层，一个卷积层和一个全连接层，输出层有两个子层，计算存在物体的可信度和bbox的回归。

目标检测

检测的标准框架FC-Dropout-FC-Dropout，在FC层之前，增加一个卷积层，检测网络输出也有两个子层。

网络训练

训练的算法如下：



与现有方法的对比：