Trident

titile Scale-Aware Trident Networks for Object Detection
url https://arxiv.org/pdf/1901.01892.pdf
動(dòng)機(jī) 用multi-branch結(jié)構(gòu)解決目標(biāo)檢測(cè)中Scale variation問(wèn)題
內(nèi)容
當(dāng)前方法:
1盼樟、multi-scale image pyramids/SNIP:inference速度慢。
2锈至、feature pyramid/SSD/FPN:
SSD:bottom layers語(yǔ)義信息少恤批,小目標(biāo)靠bottom layer預(yù)測(cè),小目標(biāo)效果差裹赴。
FPN:top-down connection使bottom layers增加語(yǔ)義信息喜庞,小目標(biāo)效果有所改善,不同的feature層關(guān)注不同大小的目標(biāo)棋返,大目標(biāo)和小目標(biāo)特征的語(yǔ)義信息和細(xì)節(jié)信息不同延都,因此檢測(cè)效果不同,仍沒(méi)有image pyramids效果好睛竣。

backbone影響因素:network depth(structure)晰房,downsample rate和receptive field,這篇文章主要關(guān)注receptive field。

Trident(不同感受野的分支殊者,scale-aware的訓(xùn)練方法与境,分支間的權(quán)重共享)
1、第一次研究receptive field在目標(biāo)檢測(cè)任務(wù)的影響猖吴。(Dilated convolution)
2摔刁、Trident:multi- branch structure和scale-aware training, scale-specific feature maps with a uni- form representational power。
3海蔽、weight-sharing共屈,inference沒(méi)有additional parameters and computational cost。
4党窜、mAP of 48.4 using a single model with ResNet- 101 as backbone拗引。

Investigation of Receptive Field:
1、感受野的大小和不同尺度目標(biāo)的預(yù)測(cè)效果有關(guān)聯(lián)幌衣。
2矾削、盡管ResNet-101有足夠大的感受野區(qū)域,但是增加dilation豁护,仍然有利于大目標(biāo)的檢測(cè)哼凯,因此可以發(fā)現(xiàn)有效感受野比理論感受野使要小的,之前有效感受野需要balance大小目標(biāo)择镇,加大dilation大目標(biāo)有效感受野增大,小目標(biāo)不變括改。

Trident Network:
Network Structure:
1腻豌、parallel branches of convolutions with the same parameters but with different dilation rates。
2嘱能、Multi-branch Block:與之前的卷積層相同只是dilation rate不同吝梅,ResNet中1x1,3x3,1x1的結(jié)構(gòu),改變3x3的dilation rate惹骂。
3苏携、Weight sharing among branches:parameter數(shù)量增加,易過(guò)擬合对粪,weight sharing可以使當(dāng)前網(wǎng)絡(luò)與原始網(wǎng)絡(luò)參數(shù)相同右冻,不同尺度的目標(biāo)通過(guò)相同的 transformation with the same representational power,transformation parameters 可以在所有分支(更多的目標(biāo))上訓(xùn)練著拭。

Scale-aware Training Scheme:
Inference and Approximation:
1纱扭、每一層去除尺寸范圍外的box,然后所有層的box NMS或者soft-NMS儡遮。
2乳蛾、Fast Inference Approximation:加速inference,只使用major branch進(jìn)行預(yù)測(cè),去除valid range的限制肃叶。
實(shí)驗(yàn) Implementation Details.:
1蹂随、batch size:16,GPUs:8因惭,12 epochs岳锁,learning rate:0.02,decreased by a factor of 0.1 after the 8th and 10th epoch筛欢。
2浸锨、backbone:ResNet,valid range [0, 90], [30, 160] and [90, ∞]

Ablation Studies:

Components of TridentNet
1版姑、Multi-branch:simplest multi-branch design could benefit from different receptive fields柱搜。
2、Scale-aware剥险。
3聪蘸、Weight-sharing。
Number of branche
Stage of Trident blocks
conv2 and conv3 feature maps are not large enough to widen the discrepancy of receptive fields between three branches

Number of trident blocks
Performance of each branch
如果采用single branch近似inference健爬,那么所有樣本在所有branch都訓(xùn)練結(jié)果最好

Comparison with State-of-the-Arts:
Fast approximation
The major branch:42.2/47.6 AP for TridentNet and TridentNet*壤短,three-branch methods :(42.7/48.4)
Compare with FPN
Trident with the same representation power
思考
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末跑慕,一起剝皮案震驚了整個(gè)濱河市蹬耘,隨后出現(xiàn)的幾起案子绵脯,更是在濱河造成了極大的恐慌赃承,老刑警劉巖可免,帶你破解...
    沈念sama閱讀 219,490評(píng)論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件妇垢,死亡現(xiàn)場(chǎng)離奇詭異涨薪,居然都是意外死亡献丑,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,581評(píng)論 3 395
  • 文/潘曉璐 我一進(jìn)店門光督,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)阳距,“玉大人塔粒,你說(shuō)我怎么就攤上這事结借。” “怎么了卒茬?”我有些...
    開(kāi)封第一講書人閱讀 165,830評(píng)論 0 356
  • 文/不壞的土叔 我叫張陵船老,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我圃酵,道長(zhǎng)柳畔,這世上最難降的妖魔是什么? 我笑而不...
    開(kāi)封第一講書人閱讀 58,957評(píng)論 1 295
  • 正文 為了忘掉前任郭赐,我火速辦了婚禮薪韩,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己俘陷,他們只是感情好罗捎,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,974評(píng)論 6 393
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著拉盾,像睡著了一般桨菜。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上捉偏,一...
    開(kāi)封第一講書人閱讀 51,754評(píng)論 1 307
  • 那天倒得,我揣著相機(jī)與錄音,去河邊找鬼夭禽。 笑死霞掺,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的驻粟。 我是一名探鬼主播根悼,決...
    沈念sama閱讀 40,464評(píng)論 3 420
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼蜀撑!你這毒婦竟也來(lái)了挤巡?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書人閱讀 39,357評(píng)論 0 276
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤酷麦,失蹤者是張志新(化名)和其女友劉穎矿卑,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體沃饶,經(jīng)...
    沈念sama閱讀 45,847評(píng)論 1 317
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡母廷,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,995評(píng)論 3 338
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了糊肤。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片琴昆。...
    茶點(diǎn)故事閱讀 40,137評(píng)論 1 351
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖馆揉,靈堂內(nèi)的尸體忽然破棺而出业舍,到底是詐尸還是另有隱情,我是刑警寧澤升酣,帶...
    沈念sama閱讀 35,819評(píng)論 5 346
  • 正文 年R本政府宣布舷暮,位于F島的核電站,受9級(jí)特大地震影響噩茄,放射性物質(zhì)發(fā)生泄漏下面。R本人自食惡果不足惜绩聘,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,482評(píng)論 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望芹彬。 院中可真熱鬧叉庐,春花似錦陡叠、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書人閱讀 32,023評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)拙徽。三九已至膘怕,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間来破,已是汗流浹背忘古。 一陣腳步聲響...
    開(kāi)封第一講書人閱讀 33,149評(píng)論 1 272
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留送朱,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 48,409評(píng)論 3 373
  • 正文 我出身青樓骤菠,卻偏偏與公主長(zhǎng)得像疤孕,于是被迫代替她去往敵國(guó)和親央拖。 傳聞我的和親對(duì)象是個(gè)殘疾皇子鹉戚,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,086評(píng)論 2 355

推薦閱讀更多精彩內(nèi)容