前幾天騰訊公布了一篇論文RefineDetLite: A Lightweight One-stage Object Detection Framework for CPU-only Devices宰掉，提出一種面向CPU設(shè)備的輕量級一階段目標(biāo)檢測網(wǎng)絡(luò)RefineDetLite，其在MSCOCO 上可以達(dá)到精度29.4 AP，同時(shí)在Intel 6700 @3.4G HZ 型號CPU上可以跑到130ms/圖片（320X320），是目前輕量級通用目標(biāo)檢測網(wǎng)絡(luò)的佼佼者赶促。
以下是作者信息：
?
RefineDetLite是在RefineDet目標(biāo)檢測算法基礎(chǔ)上提出的改進(jìn)社付，其架構(gòu)如下：
?
其最大的改進(jìn)點(diǎn)是考慮到分類網(wǎng)絡(luò)的骨干網(wǎng)并不適合目標(biāo)檢測好芭，設(shè)計(jì)了輕量級的 Res2NetLite 骨干網(wǎng)燃箭，如下圖：
?
其中使用的基礎(chǔ)模塊Res2Block如下圖：
?
作者為此骨干網(wǎng)設(shè)計(jì)了Light-head 用于檢測，在檢測部分又分為粗略的loss模塊和提精損失模塊舍败，如下圖：
?
除了網(wǎng)絡(luò)架構(gòu)的改進(jìn)招狸，作者設(shè)計(jì)了幾個(gè)訓(xùn)練策略也大幅改進(jìn)了精度。
訓(xùn)練策略：
1. 損失函數(shù)分粗略和提精的定位和分類四部分：
?
2. 在這個(gè)多任務(wù)學(xué)習(xí)中邻薯，加權(quán)的權(quán)重是可訓(xùn)練的：
?
3. IOU-guided loss 裙戏，不再以交并比超過0.5對檢測結(jié)果硬化分，設(shè)計(jì)soft one-hot 標(biāo)簽厕诡，并以此來計(jì)算損失函數(shù)累榜。
?
4. 數(shù)據(jù)集感知的類別加權(quán)損失函數(shù)。消除不同類別目標(biāo)樣本數(shù)目不平衡問題灵嫌。
下表為作者在MSCOCO test-dev 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果：
?
其中有很多值得思考的地方：
1. RefineDetLite 達(dá)到了 AP 26.8壹罚，加上作者提出的訓(xùn)練策略，可以達(dá)到29.6寿羞，在輕量級目標(biāo)檢測網(wǎng)絡(luò)中是最高的精度猖凛。
2. ThunderNet是之前最優(yōu)秀的輕量級算法（出自曠視），但該文的訓(xùn)練策略也可以用于ThunderNet绪穆，單純比算法辨泳，可能ThunderNet更優(yōu)秀！希望以后會有更多的結(jié)果出來玖院。
3. 為檢測設(shè)計(jì)專門的骨干網(wǎng)很有必要菠红！
4. 在RefineDet中使用MobileNetV3比使用MobileNetV2效果還差！這是不是說明神經(jīng)架構(gòu)搜索得到的網(wǎng)絡(luò)遷移效果不好司恳？
5. 作者設(shè)計(jì)的訓(xùn)練策略非常有效途乃，這些都是在處理不平衡問題和IOU對損失貢獻(xiàn)問題，看來這個(gè)很重要扔傅。強(qiáng)烈推薦大家看：目標(biāo)檢測中的不平衡問題綜述
消融實(shí)驗(yàn)：
檢測圖片例子：
?
論文地址：
https://arxiv.org/pdf/1911.08855.pdf
加入人工智能學(xué)習(xí)微信群，跟大家一起交流學(xué)習(xí)吧烫饼。
QQ群號：709470683
微信號：geqmoon
?
