目标检测网络之RFBNet

论文：Receptive Field Block Net for Accurate and Fast Object Detection

Github：https://github.com/ruinmessi/RFBNet

 

ECCV2018

论文基于Receptive Fields (RFs) ，提出了RF Block (RFB) ，然后基于RFB,对以VGG16为基础架构的ssd进行了改进，形成最终的RFBNet。RFBNet是一种one-stage的架构，精度高于传统ssd，速度较传统ssd略慢。

 

论文贡献：

1. 提出RFB模块
2. 提出了RFBNet
3. RFBNet在voc和coco上都取得了实时的处理速度。并且将VGG网络换为MobileNet也具有性能提升，证明RFB模块的泛化性。

 

RFB流程：

RFB模块分为3个分支，每个分支的底层都经过不同大小的卷积核进行处理（1*1,3*3,5*5），然后经过3*3空洞卷积，膨胀率分别为（1,3,5）。这样使得不同分支都具有不同的感受野，最后将所有的feature map连接起来。

 

Inception,ASPP,Deformable conv,RFB对比：

可以看出Inception,ASPP,Deformable conv,这3种方法的底层输入都是同样感受野的feature map。而RFB的底层输入具有不同的感受野。

RFB算是Inception和ASPP的综合，具有更大的感受野。

 

RFB模块：

RFB模块分为RFB，RFB-s两种。程序和实现和上面的图示，有略微的区别。

class BasicRFB(nn.Module):

    def __init__(self, in_planes, out_planes, stride=1, scale = 0.1, visual = 1):
        super(BasicRFB, self).__init__()
        self.scale = scale
        self.out_channels = out_planes
        inter_planes = in_planes // 8
        self.branch0 = nn.Sequential(
                BasicConv(in_planes, 2*inter_planes, kernel_size=1, stride=stride),
                BasicConv(2*inter_planes, 2*inter_planes, kernel_size=3, stride=1, padding=visual, dilation=visual, relu=False)
                )
        self.branch1 = nn.Sequential(
                BasicConv(in_planes, inter_planes, kernel_size=1, stride=1),
                BasicConv(inter_planes, 2*inter_planes, kernel_size=(3,3), stride=stride, padding=(1,1)),
                BasicConv(2*inter_planes, 2*inter_planes, kernel_size=3, stride=1, padding=visual+1, dilation=visual+1, relu=False)
                )
        self.branch2 = nn.Sequential(
                BasicConv(in_planes, inter_planes, kernel_size=1, stride=1),
                BasicConv(inter_planes, (inter_planes//2)*3, kernel_size=3, stride=1, padding=1),
                BasicConv((inter_planes//2)*3, 2*inter_planes, kernel_size=3, stride=stride, padding=1),
                BasicConv(2*inter_planes, 2*inter_planes, kernel_size=3, stride=1, padding=2*visual+1, dilation=2*visual+1, relu=False)
                )

        self.ConvLinear = BasicConv(6*inter_planes, out_planes, kernel_size=1, stride=1, relu=False)
        self.shortcut = BasicConv(in_planes, out_planes, kernel_size=1, stride=stride, relu=False)
        self.relu = nn.ReLU(inplace=False)

    def forward(self,x):
        x0 = self.branch0(x)
        x1 = self.branch1(x)
        x2 = self.branch2(x)

        out = torch.cat((x0,x1,x2),1)
        out = self.ConvLinear(out)
        short = self.shortcut(x)
        out = out*self.scale + short
        out = self.relu(out)

        return out

 

RFB-Net ：

 

实验结果：

RFB和其他基础骨架网络在VOC的对比结果

RFB各模块有效性

RFB和其他增加感受野模块对比

RFB和其他基础骨架网络在coco的对比结果

RFB速度对比

 

总结：

RFB模块是一种增加感受野的模块，基于此改进的RFB-Net 具有速度和精度的双重优势。