STN、DCN 、MORAN简单总结
题外话
最近没啥时间写blog了，陆续接了一些活在干，但是对OCR开始感兴趣起来了，看了一篇MORAN和一篇DCN，让我感觉和我之前做的一些工作是很接近的，感觉大家都是在从不同角度去让CNN学习一种对形变更鲁棒的表示，简单总结一下。
STN、DCN和MORAN
STN是通过一个loc_net来回归一组仿射变换的参数，利用仿射变换的关系得到outfeature map与input feature map在位置上的对应关系，然后利用插值保证对应的位置存在。此外，插值还保证了整个操作是可导的，一来有了从输出位置到输入位置的导数，二来仿射关系也能根据公式导出输出对仿射变换参数的导数，用于更新loc_net。
DCN是通过一个卷积子网络回归卷积核的offset，然后卷积核在采样加权时，不在原来固定的位置采样，而是在原来的位置的基础上加上回归的offset，在这些位置进行采样加权，同样的，为了使操作是可导的，也使用了插值操作。
MORAN是OCR领域的一篇paper的方法，为了解决输入字符不对齐(比如一个字符偏上，一个字符偏下)，网络学习输出每个像素值的offset，然后相当于得到了input featuremap到output featuremap的对应关系，同样插值，使得操作可导。
我在最近的工作中，需要做的是去学习给定输入的最合适的crop位置，也就是让网络学会crop，虽然STN的仿射变换已经包含的这一操作，但是在实际训练中，端到端的训练很难使得我的任务收敛到很好的结果，我也提出了一些改进，不赘述。
上述三种方法的共同点是：
- 都希望利用一个子网回归网络的一组参数，然后利用这个参数得到输入和输出对应的关系，通过输出来优化输入或者被回归的参数。
- 都在作用这种“操作”之后，使得output featuremap更适合任务，能够对任务结果有提升。
- STN和MORAN都是对原图进行操作，得到的结果实际上对人而言有可解释性。
不同点：
- STN和MORAN的结果对人而言有可解释性，DCN的结果其实对人而言没有解释性，offset对应的位置有可解释性，结果只是采样后的另一种表示。
- STN是针对整张图像而言，做仿射变换；MORAN是对输入拆分成块，每块有自己的offset，然后平移块；DCN是针对卷积核做offset，试图改变采样的位置，而非定点采样。
此外，还有一些问题：
MORAN V1的训练是curriculum learning，端到端训练收敛的结果并不好(虽然作者后面做了改进v2已经不需要端到端训练了)，STN其实同样也存在这样的问题，据实验室的师兄说，STN在输入和输出很接近的情况下训练的效果很好，要是输入的目标占总图像很小，很难训练出一个好结果，STN在我自己实验的时候也是端到端训练收敛效果并不好。MORAN V1通过先训练OCR识别网络，然后再去优化矫正网络，这样可以学的很好，我自己在训练的时候，针对STN也是交替训练后面的分类/回归网络，然后固定其参数训练前面的loc网络，效果能达到最好。
此外，还有一篇论文也是做相似的东西的，叫RA-CNN，这篇文章也是通过训练crop用于细粒度图像分类。很有意思的是，他也不是端到端训练，但这篇文章和上面的都不太相同，这里他根据实际情况定义了crop操作的梯度，梯度的回传是自己定义的。