对于2-state的物体检测，比如faster-RCNN和R-FCN。我们可以将RPN部分称为body，另一部分比如faster-RCNN中RCNN-subnet部分成为head。2-state之所以会很慢，主要原因在于head部分。论文分析了faster-RCNN和R-FCN中head部分的优缺点，然后提出了Light-Head R-CNN。Light-Head R-CNN结合了faster-RCNN和R-FCN各自的优点。

我们先简单回顾一下faster-RCNN和R-FCN的head设计。faster-RCNN在提取多个ROI后，首先对每个ROI进行ROI pooling，然后送入两个全连接层进行分类和回归。R-FCN则去掉了faster-RCNN中的两个全连接层，而是用全卷积来代替。R-FCN在基础网络的最后一层上加入了位置敏感的score-map层（宽高与最后一层一样，对于分类来说需要输出通道为：（物体类别数+1）×k×k，k×k表示位置分割数。假设有80类，k=7，那么需要的通道数为3969）。得到位置敏感的score-map后，利用RPN网络预测出来的候选框进行PSROI-pooling（对于某一ROI来说，并没有对所有的3969进行pooling。我们知道PSROI-pooling结果为k×k×（c+1）个值，那么对于第0×1×（c+1），是在0到0×1×（c+1）通道的块上进行pooling的，这个块的大小为w/k,h/k,w和h是ROI的宽高。）。PSROI-pooling后我们再进行一个平均池化就可以得到最后的类别了。这样就省去了全连接层。

那么faster-RCNN和R-FCN各种优缺点是什么呢？faster-RCNN由于要对每个ROI进行ROI pooling和全连接计算，这使得其速度很慢。但由于有额外的全连接层，其在分类的效果上会更好一些。不过由于全局池化和全连接层的原因，faster-RCNN的空间位置感知不是很好。R-FCN尽管没有了全连接层，不需要大量的重复计算，但在得到位置敏感score map上需要的计算量和内存也不小。由于没有了全连接层，其在效果上没有faster-RCNN那么好。

经过上面的对比，Light-Head RCNN结合了R-FCN的位置敏感score map思想和faster-RCNN的全连接层，提出了一个更快，效果好的检测框架。如下图：

图中的第一个框架是faster-RCNN，第二个是R-FCN，最后一个是Light-Head RCNN。我们可以看出Light-Head RCNN的ROI-pooling对象的通道数非常少，由于通道数比较少，使得后面的全连接层计算量也下降了很多。Light-Head RCNN的位置敏感score map的通道数与R-FCN不一样，其数目为$\alpha*k*k,\alpha=10,k=7$,这样总的为490个通道数。因此经过PSROI-pooling后的通道数只有10，然后全连接层的参数矩阵为490×81。这相对于faster-RCNN的2048*81来说小了很多。

为了进一步减少获取位置敏感score map的计算量，论文使用了Large separable 卷积：

通过设置不同的$C_{mid}$可以得到不同的网络模型，分别为S和L。S的网络中$C_{mid}=64$，L中则为256。另外k=16。

实验结果

在coco数据集上的比较。
精度的比较，结果不错。

速度的比价，主要是跟一阶段的检测方法比较，也是快的飞起。