论文地址：Speed/accuracy trade-offs for modern convolutional object detectors

文章出自Google Research，目的是作为选择一个检测框架的手册，通过它可以选择速度/内存/精度三者平衡的适合给定应用和平台的框架。

为便于比较，作者使用tensorflow统一实现了Faster R-CNN、R-FCN和SSD，作为“meta-architectures”，然后使用不同的feature extractors组合、不同的图像大小以及其他的一些关键参数，来得到速度/精度的负载曲线。

论文共使用了6中feature extractors。

训练：

• Faster R-CNN、R-FCN：SGD with momentum、batch size = 1
• SSD：RMSProp、batch size = 32
• 与典型的实现使用ROI Pooling layer和Position-sensitive ROI Pooling layer不同的是，论文使用的是tensorflow的“crop_and_resize”操作（它使用的是双线性插值来重采样图像）。
• 另外，作者在训练boundingbox的坐标时没有使用backpropagation，因为发现在训练时会导致不稳定。

服务器配置：

• Intel Xeon E5-1650 v2处理器
• 32GB RAM
• NVIDIA GeForce GTX Titan X GPU

图像大小：

• 300 x 300
• 600 x 600

实验结果

Accuracy vs time

更快：R-FCN、SSD

更精确：Faster R-CNN

但是Faster R-CNN可以通过限制regions proposed数量来提升速度，会面会有实验。

Critical points on the optimality frontier

SSD + Inception v2/Mobilenet是速度最快的模型中精确度最高的。

The effect of the feature extractor

Faster R-CNN和R-FCN对feature extractor比较敏感，而SSD则受影响不大。

The effect of object size

所有的方法在大目标上表现都很好，但是SSD在小目标上性能很差。

The effect of image size

分辨率下降1/2，平均精度下降15.88%，但同时推理时间平均减少27.4%。

通常来说，在小目标上性能好也预示着在大目标大表现好，但反之不成立。

SSD对于增大分辨率没有什么显著的性能提升，Faster R-CNN和R-FCN在提升分辨率后性能提升明显。

The effect of the number of proposals

Faster R-CNN和R-FCN在适当减少region proposals的时候对性能没有太大的伤害（Faster R-CNN 50个，R-FCN 100个）。

FLOPs anaysis

因为GPU的运算时间和平台是高度相关的，因此作者统计的是FLOPs。

程序的运行时间相关的影响因素太多：比如caching、I/O，硬件优化等。

Memory analysis

Mobilenet无疑是内存消耗最少的。

IOU threshold & mAP

[email protected]和[email protected]与[email protected][.5:.95]几乎是线性的关系。

通常来说，检测器如果在高的IOU threshold上性能很差，预示着在低的IOU threshold上性能也会很差。

如果用单个IOU threshold来测试mAP，则@.75会更接近[email protected][.5:.95]。

State-of-the-art detection on COCO