| titile | Scale-Aware Trident Networks for Object Detection |
|---|---|
| url | https://arxiv.org/pdf/1901.01892.pdf |
| 动机 | 用multi-branch结构解决目标检测中Scale variation问题 |
| 内容 |
 1、multi-scale image pyramids/SNIP：inference速度慢。 2、feature pyramid/SSD/FPN： SSD：bottom layers语义信息少，小目标靠bottom layer预测，小目标效果差。 FPN：top-down connection使bottom layers增加语义信息，小目标效果有所改善，不同的feature层关注不同大小的目标，大目标和小目标特征的语义信息和细节信息不同，因此检测效果不同，仍没有image pyramids效果好。 backbone影响因素：network depth（structure），downsample rate和receptive field，这篇文章主要关注receptive field。 Trident(不同感受野的分支，scale-aware的训练方法，分支间的权重共享) 1、第一次研究receptive field在目标检测任务的影响。(Dilated convolution) 2、Trident：multi- branch structure和scale-aware training, scale-specific feature maps with a uni- form representational power。 3、weight-sharing，inference没有additional parameters and computational cost。 4、mAP of 48.4 using a single model with ResNet- 101 as backbone。 Investigation of Receptive Field：  2、尽管ResNet-101有足够大的感受野区域，但是增加dilation，仍然有利于大目标的检测，因此可以发现有效感受野比理论感受野使要小的，之前有效感受野需要balance大小目标，加大dilation大目标有效感受野增大，小目标不变。 Trident Network：  1、parallel branches of convolutions with the same parameters but with different dilation rates。 2、Multi-branch Block：与之前的卷积层相同只是dilation rate不同，ResNet中1x1,3x3,1x1的结构，改变3x3的dilation rate。 3、Weight sharing among branches：parameter数量增加，易过拟合，weight sharing可以使当前网络与原始网络参数相同，不同尺度的目标通过相同的 transformation with the same representational power，transformation parameters 可以在所有分支(更多的目标)上训练。 Scale-aware Training Scheme：  1、每一层去除尺寸范围外的box，然后所有层的box NMS或者soft-NMS。 2、Fast Inference Approximation：加速inference，只使用major branch进行预测，去除valid range的限制。 |
| 实验 |
Implementation Details.： 1、batch size：16，GPUs：8，12 epochs，learning rate：0.02，decreased by a factor of 0.1 after the 8th and 10th epoch。 2、backbone：ResNet，valid range [0, 90], [30, 160] and [90, ∞] Ablation Studies： Components of TridentNet 1、Multi-branch：simplest multi-branch design could benefit from different receptive fields。 2、Scale-aware。 3、Weight-sharing。    Number of trident blocks   Comparison with State-of-the-Arts：  The major branch：42.2/47.6 AP for TridentNet and TridentNet*，three-branch methods ：(42.7/48.4) Compare with FPN Trident with the same representation power  |
| 思考 |
Trident
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
推荐阅读更多精彩内容
- Trident是什么 Trident是Storm上的高层次抽象，它能够在提供高吞吐量的能力同时(每秒几百万消息)，...
- TridentNet 目标检测中尺度变化新思路 arXiv: https://arxiv.org/abs/1901...
- Storm中的事务控制是门艺术，其中ack机制是精髓，可以参考Storm源码分析 一书，其中有精彩的分析。 在st...
- 转载:https://blog.csdn.net/cjf_wei/article/details/73699805...
