NETNet,高速度高精度目标检测网络(附论文下载)

技术讨论 yonglin ⋅ 于 1个月前 ⋅ 最后回复由 yonglin 1个月前 ⋅ 746 阅读
来源:计算机视觉研究院 作者:Edison_G!


目标检测发展越来越火热,尤其现在的小目标检测越来越难突破。最近大量阅读了目标检测领域的高质量文献,今天首先分享一篇我个人觉得很不错的一个创新,可感知尺度的目标检测新网络,性能可达27FPS/38.5 mAP;55FPS/32.\% mAP,优于TripleNet、RFBNet等网络!


1.前言

Single-shot探测器由于具有实时检测和提高性能的优点,近年来得到了广泛的关注。为了解决复杂的尺度变化,Single-shot探测器基于多个金字塔层进行尺度感知预测。然而,金字塔中的特征没有足够的尺度感知,这限制了检测性能。可以观察到由物体尺度变化引起的单热探测器中的两个常见问题:

(1)小物体容易被遗漏;

(2)大物体的突出部分有时被检测为物体。

通过这一观察,作者就提出了一种新的邻域擦除和传输(NET)机制来重新配置金字塔特征和探索尺度感知特征。在NET中,设计了一个邻域擦除模块(NEM),用于擦除大目标的显著特征,并强调浅层小目标的特征。引入了一个邻域传输模块(NTM)来传输被擦除的特征,并在深层突出显示大目标。利用这种机制,构建了一个名为NETNet的Single-shot网络,用于感知尺度的对象检测。

此外,我觉得聚合最近的相邻金字塔特征来增强NET性能!

2.对比
file

上面一行是SSD,下面一行是NETNet结果。从第一金字塔层提取可视化特征,用于检测小目标。

False negative problem:由于小物体的特征在相应的金字塔特征(b)上不突出,所以(a)中漏掉了小物体(网球拍、运动的球)。NETNet可以通过擦除大目标的特征并将注意力集中在小目标上(如c,d)来检测高置信度的小目标。

Part false positive problem:头部被检测为基线中的另一个人,因为用于检测小目标的特征(f)上突出显示了该部分区域。NETNet可以通过抑制大目标的突出部分特征来解决这个问题,如(h)。

file
通过上面的几个结构,最终目的其实就是从浅金字塔层中删除大目标的特征,并生成用于检测小目标的小尺度感知特征。将浅层中的大目标的特征转移,增强深层的特征。然后构建了一个one-shot尺度感知检测器,用于更精确的目标检测。

3.新框架
file

计算这个spatial gate如下:
file

总之,通过 reversed gate来抑制较大目标的特征,从而为较小的目标Xs生成尺度感知特征P˜s:

Single-Shot Detector: NETNet
file

4.实验结果
file
file
最终实验结果如下:
file

实验可视化:
file

下次我们会专门详细分析实验的过程,以及该如何怎么去做好实验,在顶刊或高级会议发表Paper!一切都是有技巧,有规律的,感兴趣的同学请持续关注“计算机视觉研究院”!

**Paper下载地址:****https://arxiv.org/pdf/2001.06690.pdf**

© THE END


相关推荐:
目标检测中的 Tricks

成为第一个点赞的人吧 :bowtie:
回复数量: 2
您需要登陆以后才能留下评论!