论文讨论&&思考《Deformable Convolutional Networks》

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

　　这篇论文真是让我又爱又恨，可以说是我看过的最认真也是最多次的几篇paper之一了，首先deformable conv的思想我觉得非常好，通过end-to-end的思想来做这件事也是极其的make sense的，但是一直觉得哪里有问题，之前说不上来，最近想通了几点，先初步说几句，等把他们的代码跑通并且实验好自己的几个想法后可以再来聊一聊。首先我是做semantic segmentation的，所以只想说说关于这方面的问题。

　　直接看这篇paper的话可能会觉得ji feng的这篇工作非常棒，但实际上在我看来还是噱头多一点（我完全主观的胡说八道），deformable conv是STN和DFF两篇工作的结合，前者提供了bilinear sample的思路和具体的bp，后者提供了warp的思路和方法，不过好像说的也不是很准确。。我暂时的理解是这样的：deformable conv就是把deep feature flow中的flow换成了可学习的offset。接下来分为亮点和槽点来说一说。

一、亮点

　　亮点说实话还是很多的，首先解决了STN（spatial transform network）的实用性问题，因为STN是对整个feature map做transform的动作，例如学习出一个linear transform的 matrix，这个在做minist的时候当然是极其合理的，但是在真实世界中，这个动作不仅不合理而且意义不大的，因为复杂场景下的信息很多，背景也很多，那么它是怎么做的呢？

　　首先我想先说一个很重要的误区，很多人以为deformable conv学习的是个deformabe 的kernel，比方说本来是一个3*3相互连接的kernel，最后变成了一个没个位置都有一个offset的kernel。实际情况并不是这样的，作者并没有对kernel学习offset，而是对feature的每个位置学习一个offset，一步一步的解释就是：首先有一个原始的feature map F，在上面做channel为18的3*3的卷积，得到channel=18的feature map F_offset，然后再对F做deformable conv并且传入offset 的值F_offset,在新得到的结果上，每个值对应原来的feature map F上是从一个3*3的kernel上计算得到的，每个值对应的F上的3*3的区域上的每个值都有x、y方向上的两个offset，这3*3*2=18的值就由刚才传入的F_offset决定。。。。貌似说的有点绕，其实理清楚关键的一点就是：学习出来的offset是channel=18并且和原　feature map一样大小的，对应的是main branch上做deformable conv时候每位置上的kernel的每个位置的offset。

知乎上有个人说了一句我特别赞同的话：用bilinear的方法代替weight的方法，即用采样代替权重的方法。这个思维是可以发散开来做更多的工作的，这也是我觉得这篇paper最棒的地方。

二、槽点

　　这个其实我今天写篇blog的重点。。。我对offset能否学习到极其的的不看好，虽然最后还要看实验的效果和实际的结果，当我想说两点。

　　1、从feature的需求来看，senmantic segmentation对于feature的需求是跟detection不同的，这个问题其实jifeng Dai和kaiming的R-FCN中都提到过，然后semantic segmentation需要的feature不会过于关注什么旋转平移不变性，也就是物体的旋转平移对结果是有影响的，他们对position是care的，这个问题有时间我想再看看R-FCN讨论一发，因此这里直接用feature 通过一层卷积就可以学习到offset，我是怀疑的。

　　2.上面的怀疑其实有点没道理，这次有个稍微有那么一丢丢的怀疑，bilinear sample其实是一个分段线性函数，所以逻辑上在bp的时候，你要想你的目的是让loss下降的话，就不能让你的step太大以至于超过来当前的线性区间，也就是你在当前四个点中算出来梯度，如果你更新后跳到另外四个点上来，理论上这次的gradient的更新就是错误的，loss是不一定下降的，但是话说回来，如果不跳到另外四个点，这个offset永远限制在当前四个点里面的话，也是毫无意义的。话再说回来，因为整个feature map还是smooth的，这也跟图像的性质有关，所以我们还是比较相信只要你的lr不是很大，loss还是会下降的。　　

三、总结

　　总的来说这是一篇很有意义的工作，在我看来，任何能启发之后的工作和引起人思考的工作都是很有意义的，无论它work不work，在benchmark跑的怎么样。

　　还有些东西我想等实验跑完再来说说，所以待续～