目录

1. Motivation2. HyperNet2.1 流程图2.2 网络结构2.3 Hyper Feature extraction

论文：HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection 来源：CVPR 2016

1. Motivation

Faster R-CNN的RPN对所设置的anchors（~2400个）进行二分类和粗回顾，消除了大量的背景类，但仍然给出了很多粗糙的候选区域，这会影响Fast R-CNN head 的检测速度。作者将此问题归因于backbone提取的特征不够好，所以提出新的特征——Hyper Feature，Hyper Feature对多尺度特征进行融合（融合了全局信息和局部信息），这也是这篇论文最大的创新点。

2. HyperNet

2.1 流程图

takes an input imagecomputes Hyper Feature representationgenrates 100 proposalsclassifies and makes adjustment for each region.

2.2 网络结构

2.3 Hyper Feature extraction

将不同分辨率的特征层转换成相同的分辨率采用max pooling将Conv1和Conv2的特征图下采样至Conv3特征图大小采用deconvolution将Conv4和Conv5的特征图上采样至Conv3特征图大小Conv3特征图保持不变使用同一个大小为$5\times 5$卷积层进行特征融合，得到hyper feature maps。