1. 介绍
目前的目标检测架构都是对输入图像的所有像素进行操作，从而产生proposals等，当采用多尺寸的图像金字塔时，所需的存储空间很大，在训练时，单一GPU上能训练的图像数量很小（取决于GPU的显存和图像的分辨率），这样就造成了batch size很小，从而使训练时间很长。因此作者提出了一种新的训练思路：先粗略定位一下正负例所在的区域，然后以该区域内的像素信息作为卷积网络的输入，再精确检测出该区域内的所有正例和负例。
如上图所示，先大概框出风筝所在的图像位置（黄色边框），黄色边框要包含完整的风筝目标，然后以该边框的区域作为网络的输入，精确检测出风筝的位置（红色边框）。这样做，我们在检测风筝时，不需要对整个图像进行处理，而是仅处理图像的一部分（论文中作者称为chip），这样可以有限降低所需的存储空间，增加单一GPU上所能训练的图像的数量，显著提高训练速度。
原文提到，正例chips是通过ground truth bbox得到，负例chips是通过RPN网络产生的proposals得到。
2. SNIPER（Scale Normalization for Image Pyramids with Efficient Resampling）
2.1 生成chip
在每一张图像上产生n种不同尺寸的chips,分别为{s_1,…s_n}，每一种尺寸产生的chips记为C_i，对于每一个C_i，首先被resize成固定的W_i * H_i大小（本文作者在实验过程中采用的size为512*512）。也就是说，作者首先在original size的图像上产生多种尺寸的chips，然后再将每一种尺寸的chips都resize到512*512。
2.2 选择positive chip
对于每一种尺寸的chip，都会选定一个面积范围，
这个范围用来筛选参与训练的gt bbox和proposals的数量。如在该chip内面积过大或过小的对象都不参与训练。在面积限定范围内的gt bbox被记为
因为作为网络输入的chips的size远远小于原始图像的size，，而且SNIPER通过挑选chips的方式，去除了训练样本中大量的background，因此，可以有效的节省存储空间，提高训练速度。下图是选择chips的一个例子：
2.3 选择Negative Chip
只在图像上生成positive chips有一个问题，就是大量的background被排除在训练样本之外，虽然能够加速训练，但是最后优化出来的模型可能会有较高的false positive rate。因此作者想要通过训练一个RPN网络，输出可能包含false positives的proposals，该proposals并不需要很精确。输出的proposals可能有一部分已经包含在了positive chips内，所以该部分proposals将被移除。下图展示了negative chips的选择例子：
2.4 Label确定
由RPN网络产生的proposals，与gt bbox等IoU大于0.5，即标注为正例。在训练时，gt bbox不受
的限制，但是proposals受上式的限制。每一个chip中包含300个proposals。
在训练过程中，每一个batch随机选择一定数量的chips进行训练。在COCO数据集上，每一张图像平均生成约5个大小为512*512的chips。
3. 实验
在COCO训练集上，训练SNIPER采用128的batch size，0.015的学习率，chip的size为512*512，training image scales为（512/ms，1.667，3）（ms是图像高度和宽度的最大值）。每一种尺寸的面积限定范围为（0，80*80），（32*32，150*150），（120*120，inf）。对于RPN网络的训练，共2epoches，每一epoch迭代7000次，学习率为0.015.
