最强的目标检测网络：DetectoRS 54.7 AP

转自公众号 CVer

https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247500510&idx=2&sn=fe7bda4b77893a9192cfb294ac106151&chksm=f9a1b051ced639477462a0d116ed1ffb6c95a4f13750ae38afb442cb211a7f90cb818eee5b8e&mpshare=1&scene=1&srcid=0604d0EPhSDSVVgsq6ry35iE&sharer_sharetime=1591262184054&sharer_shareid=ab5aa3530015c5ae813227bf34b4fc84&key=a7381605f7cce49ad99e1c8940c1e0982c2868fbc3aa5c43c1b08d03daca5a23c3b19dc5469ec8e5f91633b97c7ff8d105a13336ff875d9a983a90046ec3e4503af02b4991b4a364e33083da5aeaa3fe&ascene=1&uin=MjIzODAyMTI0MA%3D%3D&devicetype=Windows+10+x64&version=6209007b&lang=zh_CN&exportkey=ARinTn%2FAJIYBOM7hYPLfy8g%3D&pass_ticket=8Ni6xr%2FJeYGcPUK3IigVeOM0c4kdykKFstwsjDqJWwsKWQYHJKWcCbzM%2B8Ol%2Fk4y 

DetectoRS直接将COCO上之前霸榜的53.3 AP刷到了54.7 AP！暴涨1.4 AP，太恐怖了。同时还拿下COCO实例分割并列第一（47.1%），COCO全景分割第一（49.6 AQ）

• 在宏观层面上，作者提出了递归特征金字塔（RFP，Recursive Feature Pyramid），它结合了从特征金字塔网络到自下而上的backbone层的额外反馈连接，具体如图1（a）所示。

• 在微观层面上，作者提出了可切换的空洞卷积（SAC，Switchable Atrous Convolution），它以不同的atrous rate对特征进行卷积，并使用switch函数收集结果，具体如图1（b）所示。

 

将它们组合在一起将产生DetectoRS，这将大大提高目标检测的性能。

 

DetectoRS = Detector + RFP + SAC = Detector + Recursive Feature Pyramid + Switchable Atrous Convolution

 

 

注：DetectoRS中使用的Detector是 HTC（关于HTC，详见CVPR2019 | 实例分割的进阶三级跳：从 Mask R-CNN 到 Hybrid Task Cascade）

 

 

RFP（递归特征金字塔）

 

RFP（递归特征金字塔）= Recursive Structure + Bottom-up Backbone Layers + Top-down FPN Layers，作者称实现了 looking and thinking twice or more

 

 

SAC（可切换的空洞卷积）

 

SAC（可切换的空洞卷积）= Different atrous rates + Switch functions，作者称实现了 looking and thinking twice

 

 

SAC 在检测器中的使用方法如下（大家也可以集成到自己的detector中，也许就可以快速涨点）

To use SAC in the detector, we convert all the standard 3x3 convolutional layers in the bottom-up backbone to SAC, which improves the detector performance by a large margin.

看一下，HTC（基于ResNet） + RFP + SAC 的涨点情况，直接从42.0 AP涨到49.0 AP