题目：Inside-Outside Net: Detecting Objects in Context With Skip Pooling and Recurrent Neural Networks
摘要：
- 上下文和多尺度表示对于精确识别任务很重要
- inside-outside net是一种利用感兴趣区域内外信息的目标检测网络，利用空间递归神经网络将感兴趣区域以外的上下文信息进行整合，使用skip pooling在多尺度和层次上提取特征信息
- 在PASCAL VOC 2012从最先进的73.9%提高到了77.9%；MS COCO从19.7%提高到了33.1%
- 证据表明上下文和多尺度对于小目标检测有所改善
介绍：
- 可靠的检测器需要大量的信息，包括目标的细粒度细节和上下文信息等，但目前的检测器只使用了ROI附近的信息，其限制了可能被检测到目标的类型和准确性。
- 增加的方法有两种。一是多尺度表示，通过多个低级卷积网络获取细粒度信息；二是上下文信息，RNNs（空间递归神经网络），通过垂直或水平方向的变化提取上下文信息，而使用两个RNN层，可以确保信息可以传播到整张图上。
- 对于每个ROI，多尺度和上下文信息被连接成一个单层，然后喂入全连接层。演示发现，多尺度和上下文信息的互补的。作者认为这与直觉契合：上下文特征在图像中具有广泛的外观，而多尺度特征捕获更细粒度的细节。
- 发现在那些以前认为是difficult的目标里面，效果有了比较大的提升，比如小而杂乱的物体。且擅长小物体，如被遮挡的椅子（上下文信息）。
贡献：
- 提出ION
- PASCAL VOC 2007 mAP80.1% VOC 2012 mAP77.9% COCO mAP33.1%
- 进行了广泛的实验，评估选择，如层数组合，使用分割损失，归一化特征振幅，不同的RNN结构，和其他变化
- 分析了ION的性能，并发现了更好的准确性，特别是对于小对象。
以前的工作：
- 讨论了ConvNets在目标检测取得的成功；
- 讨论了空间RNN代替卷积在图像中进行执行；
- 讨论了跳层连接中，L2正则和**归一化的使用。
ION：
概述流程是：
- 图像通过深度卷积神经网络提取出特征，同时每一层卷积后的特征图将会被保存起来
- 接着是连续两个4方向的IRNN，用于计算描述全局和局部图像的上下文特征，上下文特征拥有和conv5一样的维度
- 另一方面，利用选择性搜索方法，将区域候选框（ROIs）被提取出来。
- 对于每一个候选框，从conv3,conv4,conv5,context features中提取出固定长度的特征描述符（多层的ROI Pooling），描述符用L2归一化，连接，缩放，1x1卷积降维，最后两个全连接，softmax用于诞生k个类别概率值，bbox诞生候选框的偏移值
细节：
细节1：
多层的pooling。像SPPNet，Fast R-CNN，Faster R-CNN，都是在最后一层进行的pooling，为了扩展到多层，就要考虑维度和幅度。为了保持维度一致（512x7x7），因此最后一层特征也需要是512x7x7；使用L2归一化是为了匹配原始的幅度，连接缩放和1x1卷积降维是为了保持512x7x7维度；最后一个注意，随着更多的特征连接在一起，需要相应地降低1x1卷积的初始权重大小，因此使用“Xavier”进行初始化。
细节2：
4向IRNNs。IRNN是RNN使用ReLU作为**函数，RNN在图像中从左向右进行移动时，每消耗一个输入，更新一个隐藏单元，产生一个输出。用这种方法，左到右，右到左，上到下，下到上进行4个方向的扩展。在输入IRNN前，conv5会经过一个1x1卷积，是为了计算RNN更有效率。另一方面，本来由很多方法都可以，比如LSTM，GRU，传统的tanh作为**的RNN，这里用的ReLU，原因在于，在RNN初始化时，Le等人显示展现了使用权值恒等矩阵的初始化，会让训练变得更加轻松，而使用ReLU的RNN，实现简单方便，会比LSTMs和GRUs计算更快，存储的内存也更少，而性能效果也跟它们接近。
计算公式以向右方向计算为例，h就等于左边值乘以权重的加上自己的值。
经过简化后，让W成为I，也就是单位矩阵，式子1就变成了式子2，这个就相当于是一个累加器了，更加简便
为了避免过拟合，论文在concat层加上了dropout，但后来发现没有必要，甚至是不合适，以及训练了rnn的偏置，但发现这也是没有必要的
两个4向的IRNN流程就如下图所示，输入的conv5特征图，输入1x1卷积，进行4方向递归转换，然后连接，再进行1x1conv，4方向递归转换，连接，最后再1x1conv，反卷积上采样得到21x16Wx16H
得到的concat值，实际上包含了目标附近的特征信息，如下图