目标检测--RON: Reverse Connection with Objectness Prior Networks for Object Detection

RON: Reverse Connection with Objectness Prior Networks for Object Detection
CVPR2017
https://github.com/taokong/RON

本文可以看作是对 SSD 的改进， SSD 对不同尺度特征图进行独立的检测，这里我们 reverse connection block 将相邻的特征图联系起来。同时使用 objectness prior 来有效降低目标的搜索空间。

3 Network Architecture
我们使用 VGG16 作为基础模型， VGG16有13个卷积层，3个全连接层，这里我们将 第 14,15 全连接层变为卷积层，使用一个2×2卷积核 步长为2 来降采样 FC7 的尺寸。用于检测的特征图尺寸分布为输入图像尺寸的 1/8 (conv 4 3), 1/16 (conv 5 3), 1/32 (conv 6) and 1/64 (conv 7)

RON object detection overview

3.1. Reverse Connection
怎么把相邻的特征图联系起来了？我们提出了一个 reverse connection block 来解决这个问题。 相邻的特征图尺寸差异通过 deconv 反卷积来消除

3.2. Reference Boxes
这里我们对每个尺度的特征图使用 2 scales and 5 aspect ratios 的 default boxes，
aspect ratios { 1/3，1/2, 1, 2,3}

3.3. Objectness Prior
针对 正负样本比例严重失调， the ratio between object and non-object samples is seriously imbalanced，这里我们使用 Objectness Prior 来过滤大部分负样本

3.4. Detection and Bounding Box Regression

A=10个 Reference Boxes

inception block 我们使用了一个比较简单的结构

3.5. Combining Objectness Prior with Detection

经过 objectness prior 过滤，只有很少一部分样本进行 back-propagation

4 Training and Testing
4.1. Loss Function
损失函数包括三个子损失函数： objectness prior，矩形框坐标，物体类别

其中α =β =1/3

4.2. Joint Training and Testing
Data augmentation ：flipped，Randomly sampling a patch

Detection results on PASCAL VOC 2007 test set

Results on PASCAL VOC 2012 test set

MS COCO test-dev2015 detection results

6.1. Do Multiple Layers Help?

low resolution 384×384 input size，With 1.5G GPU memory at test phase, the speed of the network is 15 FPS, 3× faster than the Faster R-CNN counterpart