DetNet:Backbone network for 目标检测
论文地址:https://arxiv.org/abs/1804.06215
文章内容:
-
论文概述
-
算法核心
-
效果
论文概述:
现有的Backbone存在的问题:大多Backbone都是建立在分类网络基础上的,大量下采样后带来了更有效的感受野,但是分辨率也相应下降,导致位置信息模糊
DetNet的优势:在分类Backbone基础上加了新的stages,在更深的网络上仍然有较大的感受野,同时保持了高的空间分辨率
算法核心:
DetNet与FPN和分类网络的区别:DetNet的stage4-6这三个stage的stride都是16
1、stage1-4是ResNet50,stage5、stage6是额外加的,但保持空间分辨率不变。
2、提出了dilated bottleneck,增大感受野(保证了特征图的尺寸),然而考虑到计算量和内存,stage5和stage6保持了相同的通道数目(256的输入通道,而不是像传统的backbone一样,每个阶段通道数增加一倍)
3、为了能在空间大小不变的情况下,更多的加入新的语义特征,在mapping的时候,加入了1*1卷积,图中B的结构,这与ResNet做identity mapping设计不同,更适用于做检测。效果如下表:
该实验对应的网络结构的变化:
效果:
在大目标上的准确率比较高,在小物体上的召回率比较高: