RefineDet 网络解读以及和SSD的结果对比

论文:Single-Shot Refinement Neural Network for Object Detection
论文链接:https://arxiv.org/abs/1711.06897
代码链接:https://github.com/sfzhang15/RefineDet

对于目标检测网络,two-stages 精度高,one-stage速度快。
two-stages 第一步产生一系列的候选框,候选框产生方法有Selective Search、EdgeBoxes、DeepMask、RPN),然后第二步再进行分类回归。代表方法有Faster RCNN R-FCN FPN Mask R-CNN 。
one-stage 在feature map的每个cell中产生候选框的同时进行分类回归,一步完成。代表方法有SSD Yolo Yolov2 DSSD等。
one-stage速度快,但是由于正负样本不平衡,同时一步回归,所以精度比two-stages的方法差。
Refinedet 综合两者的特点,该网络有两个模块构成,直接上图:
RefineDet 网络解读以及和SSD的结果对比_第1张图片

第一个是anchor refinement module
1)过滤掉部分负样本候选框,减小分类器的搜索范围。
2)粗调整候选框的位置和大小
第二个是object detection module
1)对候选框进行分类和精调

两个模块中间有一个连接模块transfer connection block
1) 进行特征层的融合,将高语义层上采样与上一层进行融合,提高底特征层的语义信息。上采样通过反卷积进行。
RefineDet 网络解读以及和SSD的结果对比_第2张图片

该网络主要有三个特点
1)利用TCB模块进行类似FPN 的特征融合,提高低层语义信息,有利于小物体检测
2)两步级联回归,提升框的质量,在ARM模块中利用SSD二分类网络做PRN的工作,进行粗回归调整,在ODM模块中进行位置精调。
3)负样本过滤机制,文中在进行1:3的难例挖掘前先进行了负样本的过滤,当候选框的背景置信度高(大于0.99时),直接舍去,不丢入分类器,这样能缓解样本不平衡问题,同时缩短检测速度。

给出网络的结果
RefineDet 网络解读以及和SSD的结果对比_第3张图片

下面看看Refinedet512和SSD512的小目标对比
RefineDet512
RefineDet 网络解读以及和SSD的结果对比_第4张图片

RefineDet 网络解读以及和SSD的结果对比_第5张图片
SSD512
RefineDet 网络解读以及和SSD的结果对比_第6张图片
RefineDet 网络解读以及和SSD的结果对比_第7张图片
RefineDet 网络解读以及和SSD的结果对比_第8张图片

你可能感兴趣的:(目标检测,RefineDet,SSD结果对比)