基于R-CNN的多尺度改进方法概述

前言：博主目前的研究课题为“可见光遥感图像目标检测”，研究兴趣是大尺寸高分辨率遥感图像上多尺度目标及小物体检测。为了整理阅读过的文献，梳理研究思路，记录自己的理解感悟，遂开启一个“物体检测系列博客”。
    R-CNN系列综述及阅读笔记主要梳理R-CNN的思想及研究进展，细分为概述性文章和论文阅读笔记。

转载请注明文章出处: http://blog.csdn.net/solomon1558/article/details/72824271

   CNN高层特征具有丰富的语义信息，低层特征具有较高空间分辨率，研究如何融合不同层之间的特征，是物体检测领域热门的方向。近期很多工作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺序，分类为早融合(Early fusion)和晚融合(Late fusion)。
  早融合(Early fusion): 先融合多层的特征，然后在融合后的特征上训练预测器。这类方法也被称为skip connection。这一思路的代表是Inside-Outside Net(ION)和HyperNet。
  晚融合(Late fusion)：通过结合不同层的检测结果改进检测性能。这一类研究思路的代表是Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)和Feature Pyramid Network(FPN)等。
   本系列文章将梳理基于R-CNN的多尺度改进方法，主要思路是提取多个层的feature进行卷积层的特征融合(即skip connections)或者构建特征金字塔。涉及的模型有MultiPath Network，ION(Inside-Outside Net)，HyperNet，PVANET，MS-CNN以及FPN。

博客链接

多尺度R-CNN论文笔记(1): A MultiPath Network for Object Detection
多尺度R-CNN论文笔记(2): Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural
多尺度R-CNN论文笔记(3): HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
多尺度R-CNN论文笔记(4): PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
多尺度R-CNN论文笔记(5): A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
多尺度R-CNN论文笔记(6): 多尺度R-CNN论文笔记(6): Feature Pyramid Networks for Object Detection