↑ 點(diǎn)擊藍(lán)字?關(guān)注極市平臺(tái)作者丨SFXiang來(lái)源丨AI算法修煉營(yíng)編輯丨極市平臺(tái)

極市導(dǎo)讀

?

本文從降低下采樣率與空洞卷積、多尺度訓(xùn)練、優(yōu)化Anchor尺寸設(shè)計(jì)、深層和淺層特征融合等多個(gè)方面入手，對(duì)目標(biāo)檢測(cè)中的多尺度檢測(cè)方法進(jìn)行了全面概述，并介紹了多尺度檢測(cè)相關(guān)方法。

前面的話

傳統(tǒng)卷積網(wǎng)絡(luò)通常采用從上到下的單行結(jié)構(gòu)。對(duì)于大物體而言，其語(yǔ)義信息將出現(xiàn)在較深的特征圖中；而對(duì)于小物體，其語(yǔ)義信息出現(xiàn)在較淺的特征圖中，隨著網(wǎng)絡(luò)的加深，其細(xì)節(jié)信息可能會(huì)完全消失。多尺度檢測(cè)也是當(dāng)今物體檢測(cè)領(lǐng)域最為活躍的研究主題之一，本文主要介紹：多尺度檢測(cè)。多尺度是目標(biāo)檢測(cè)與圖像分類兩個(gè)任務(wù)的一大區(qū)別。分類問題通常針對(duì)同一種尺度，如ImageNet中的224大小；而目標(biāo)檢測(cè)中，模型需要對(duì)不同尺度的物體都能檢測(cè)出來(lái)，這要求模型對(duì)于尺度要具有魯棒性。在多尺度的物體中，大尺度的物體由于面積大、特征豐富，通常來(lái)講較為容易檢測(cè)。難度較大的主要是小尺度的物體，而這部分小物體在實(shí)際工程中卻占據(jù)了較大的比例。通常認(rèn)為絕對(duì)尺寸小于32×32的物體，可以視為小物體或者物體寬高是原圖寬高的1/10以下，可以視為小物體。

小物體由于其尺寸較小，可利用的特征有限，這使得其檢測(cè)較為困難。當(dāng)前的檢測(cè)算法對(duì)于小物體并不友好，體現(xiàn)在以下4個(gè)方面：

1、過大的下采樣率：假設(shè)當(dāng)前小物體尺寸為15×15，一般的物體檢測(cè)中卷積下采樣率為16，這樣在特征圖上，過大的下采樣率使得小物體連一個(gè)像素點(diǎn)都占據(jù)不到。2、過大的感受野：在卷積網(wǎng)絡(luò)中，特征圖上特征點(diǎn)的感受野比下采樣率大很多，導(dǎo)致在特征圖上的一個(gè)點(diǎn)中，小物體占據(jù)的特征更少，會(huì)包含大量周圍區(qū)域的特征，從而影響其檢測(cè)結(jié)果。?3、語(yǔ)義與空間的矛盾：當(dāng)前檢測(cè)算法，如Faster RCNN，其Backbone大都是自上到下的方式，深層與淺層特征圖在語(yǔ)義性與空間性上沒有做到更好的均衡。?4、SSD一階算法缺乏特征融合：SSD雖然使用了多層特征圖，但淺層的特征圖語(yǔ)義信息不足，沒有進(jìn)行特征的融合，致使小物體檢測(cè)的結(jié)果較差。多尺度的檢測(cè)能力實(shí)際上體現(xiàn)了尺度的不變性，當(dāng)前的卷積網(wǎng)絡(luò)能夠檢測(cè)多種尺度的物體，很大程度上是由于其本身具有超強(qiáng)的擬合能力。較為通用的提升多尺度檢測(cè)的經(jīng)典方法有：降低下采樣率與空洞卷積可以顯著提升小物體的檢測(cè)性能；設(shè)計(jì)更好的Anchor可以有效提升Proposal的質(zhì)量；多尺度的訓(xùn)練可以近似構(gòu)建出圖像金字塔，增加樣本的多樣性；特征融合可以構(gòu)建出特征金字塔，將淺層與深層特征的優(yōu)勢(shì)互補(bǔ)。下面將詳細(xì)介紹：

1?降低下采樣率與空洞卷積

對(duì)于小物體檢測(cè)而言，降低網(wǎng)絡(luò)的下采樣率通常的做法是直接去除掉Pooling層。例如，將原始的VGGNet-16作為物體檢測(cè)的Backbone時(shí)，通常是將第5個(gè)Pooling層之前的特征圖作為輸出的特征圖，一共擁有4個(gè)Pooling層，這時(shí)下采樣率為16。為了降低下采樣率，我們可以將第4個(gè)Pooling層去掉，使得下采樣率變?yōu)?，減少了小物體在特征圖上的信息損失。但是，如果僅僅去除掉Pooling層，則會(huì)減小后續(xù)層的感受野。如果使用預(yù)訓(xùn)練模型進(jìn)行微調(diào)(Fine-tune)，則僅去除掉Pooling層會(huì)使得后續(xù)層感受野與預(yù)訓(xùn)練模型對(duì)應(yīng)層的感受野不同，從而導(dǎo)致不能很好地收斂。因此，需要在去除Pooling的前提下增加后續(xù)層的感受野，使用空洞卷積可以在保證不改變網(wǎng)絡(luò)分辨率的前提下增加網(wǎng)絡(luò)的感受野。需要注意的是，采用空洞卷積也不能保證修改后與修改前的感受野完全相同，但能夠最大限度地使感受野在可接受的誤差內(nèi)。

2 多尺度訓(xùn)練?

多尺度類似于數(shù)字圖像處理中的圖像金字塔，即將輸入圖片縮放到多個(gè)尺度下，每一個(gè)尺度單獨(dú)地計(jì)算特征圖，并進(jìn)行后續(xù)的檢測(cè)。這種方式雖然一定程度上可以提升檢測(cè)精度，但由于多個(gè)尺度完全并行，耗時(shí)巨大。多尺度訓(xùn)練(Multi Scale Training, MST)通常是指設(shè)置幾種不同的圖片輸入尺度，訓(xùn)練時(shí)從多個(gè)尺度中隨機(jī)選取一種尺度，將輸入圖片縮放到該尺度并送入網(wǎng)絡(luò)中，是一種簡(jiǎn)單又有效的提升多尺度物體檢測(cè)的方法。雖然一次迭代時(shí)都是單一尺度的，但每次都各不相同，增加了網(wǎng)絡(luò)的魯棒性，又不至于增加過多的計(jì)算量。而在測(cè)試時(shí)，為了得到更為精準(zhǔn)的檢測(cè)結(jié)果，也可以將測(cè)試圖片的尺度放大，例如放大4倍，這樣可以避免過多的小物體。多尺度訓(xùn)練是一種十分有效的trick方法，放大了小物體的尺度，同時(shí)增加了多尺度物體的多樣性，在多個(gè)檢測(cè)算法中都可以直接嵌入，在不要求速度的場(chǎng)合或者各大物體檢測(cè)競(jìng)賽中尤為常見。

3?優(yōu)化Anchor尺寸設(shè)計(jì)

現(xiàn)今較為成熟的檢測(cè)算法大都采用Anchor作為先驗(yàn)框，如Faster RCNN和SSD等。模型在Anchor的基礎(chǔ)上只需要去預(yù)測(cè)其與真實(shí)物體邊框的偏移即可，可以說(shuō)是物體檢測(cè)算法發(fā)展中的一個(gè)相當(dāng)經(jīng)典的設(shè)計(jì)。Anchor通常是多個(gè)不同大小與寬高的邊框，這個(gè)大小與寬高是一組超參數(shù)，需要我們手動(dòng)配置。在不同的數(shù)據(jù)集與任務(wù)中，由于物體的尺度、大小會(huì)有差距，例如行人檢測(cè)的數(shù)據(jù)集中，行人標(biāo)簽寬高比通常為0.41，與通用物體的標(biāo)簽會(huì)有所區(qū)別，這時(shí)就需要相應(yīng)地調(diào)整Anchor的大小與寬高。如果Anchor設(shè)計(jì)的不合理，與數(shù)據(jù)集中的物體分布存在差距，則會(huì)給模型收斂帶來(lái)較大的困難，影響模型的精度，甚至不會(huì)收斂。另外，Anchor的設(shè)計(jì)對(duì)于小物體的檢測(cè)也尤為重要，如果Anchor過大，即使小物體全部在Anchor內(nèi)，也會(huì)因?yàn)槠渥陨砻娣e小導(dǎo)致IoU低，從而造成漏檢。通常來(lái)講，可以從以下兩個(gè)角度考慮如何設(shè)計(jì)一組好的Anchor。1.?? 統(tǒng)計(jì)實(shí)驗(yàn)，手工設(shè)計(jì)在Faster RCNN的RPN階段，所有Anchor會(huì)與真實(shí)標(biāo)簽進(jìn)行匹配，根據(jù)匹配的IoU值得到正樣本與負(fù)樣本，正樣本的IoU閾值為0.7。在這個(gè)過程中，Anchor與真實(shí)標(biāo)簽越接近，正樣本的IoU會(huì)更高，RPN階段對(duì)于真實(shí)標(biāo)簽的召回率會(huì)越高，正樣本也會(huì)更豐富，模型效果會(huì)更好。因此，可以僅僅利用訓(xùn)練集的標(biāo)簽與設(shè)計(jì)的Anchor進(jìn)行匹配試驗(yàn)，試驗(yàn)的指標(biāo)是所有訓(xùn)練標(biāo)簽的召回率，以及正樣本的平均IoU值。當(dāng)然，也可以增加每個(gè)標(biāo)簽的正樣本數(shù)、標(biāo)簽的最大IoU等作為輔助指標(biāo)。為了方便地匹配，在此不考慮Anchor與標(biāo)簽的位置偏移，而是把兩者的中心點(diǎn)放在一起，僅僅利用其寬高信息進(jìn)行匹配。這種統(tǒng)計(jì)實(shí)驗(yàn)實(shí)際是通過手工設(shè)計(jì)的方式，尋找與標(biāo)簽寬高分布最為一致的一組Anchor。2．邊框聚類相比起手工尋找標(biāo)簽的寬高分布，也可以利用聚類的思想，在訓(xùn)練集的標(biāo)簽上直接聚類出一組合適的Anchor。由于一組Anchor會(huì)出現(xiàn)在特征圖的每一個(gè)位置上，因此沒有位置區(qū)別，可以只關(guān)注標(biāo)簽里的物體寬高，而沒必要關(guān)心物體出現(xiàn)的位置。邊框聚類時(shí)通常使用K-Means算法，這也是YOLO采用的Anchor聚類方法。K-Means算法輸入超參數(shù)K，即最終想要獲得的邊框數(shù)量，首先隨機(jī)選取K個(gè)中心點(diǎn)，然后遍歷所有的數(shù)據(jù)，并將所有的邊框劃分到最近的中心點(diǎn)中。在每個(gè)邊框都落到不同的聚類后，計(jì)算每一個(gè)聚類的平均值，并將此平均值作為新的中心點(diǎn)。重復(fù)上述過程，直到算法收斂。在聚類過程中，Anchor的數(shù)量K是一個(gè)較為重要的超參，數(shù)量越多，精度越高，但與此同時(shí)會(huì)帶來(lái)計(jì)算量的增加。對(duì)于使用Anchor的物體檢測(cè)算法而言，設(shè)計(jì)一組好的Anchor是基礎(chǔ)，這對(duì)于多尺度、擁擠等問題都有較大的幫助。

4 深層和淺層特征融合

傳統(tǒng)的卷積網(wǎng)絡(luò)通常是自上而下的模式，隨著網(wǎng)絡(luò)層數(shù)的增加，感受野會(huì)增大，語(yǔ)義信息也更為豐富。這種自上而下的結(jié)構(gòu)本身對(duì)于多尺度的物體檢測(cè)就存在弊端，尤其是小物體，其特征可能會(huì)隨著深度的增加而漸漸丟失，從而導(dǎo)致檢測(cè)性能的降低?？梢詫⑸顚拥恼Z(yǔ)義信息添加到淺層的特征圖中，融合兩者的特征，優(yōu)勢(shì)互補(bǔ)，從而提升對(duì)于小物體的檢測(cè)性能。特征融合有多種方式，增大特征圖尺寸可以使用上采樣、反卷積等，融合方法有逐元素相加、相乘和通道拼接等，具體哪種效果更好，還要看實(shí)際的檢測(cè)任務(wù)及使用的檢測(cè)算法。特征融合的普遍缺點(diǎn)是通常會(huì)帶來(lái)一定計(jì)算量的增加。特征融合方法示例：1. FPN(Feature Pyramid Network)將深層信息上采樣，與淺層信息逐元素地相加，從而構(gòu)建了尺寸不同的特征金字塔結(jié)構(gòu)，性能優(yōu)越，現(xiàn)已成為目標(biāo)檢測(cè)算法的一個(gè)標(biāo)準(zhǔn)組件。FPN的結(jié)構(gòu)如下所示。自下而上：最左側(cè)為普通的卷積網(wǎng)絡(luò)，默認(rèn)使用ResNet結(jié)構(gòu)，用作提取語(yǔ)義信息。C1代表了ResNet的前幾個(gè)卷積與池化層，而C2至C5分別為不同的ResNet卷積組，這些卷積組包含了多個(gè)Bottleneck結(jié)構(gòu)，組內(nèi)的特征圖大小相同，組間大小遞減。自上而下：首先對(duì)C5進(jìn)行1×1卷積降低通道數(shù)得到P5，然后依次進(jìn)行上采樣得到P4、P3和P2，目的是得到與C4、C3與C2長(zhǎng)寬相同的特征，以方便下一步進(jìn)行逐元素相加。這里采用2倍最鄰近上采樣，即直接對(duì)臨近元素進(jìn)行復(fù)制，而非線性插值。橫向連接(Lateral Connection)：目的是為了將上采樣后的高語(yǔ)義特征與淺層的定位細(xì)節(jié)特征進(jìn)行融合。高語(yǔ)義特征經(jīng)過上采樣后，其長(zhǎng)寬與對(duì)應(yīng)的淺層特征相同，而通道數(shù)固定為256，因此需要對(duì)底層特征C2至C4進(jìn)行11卷積使得其通道數(shù)變?yōu)?56，然后兩者進(jìn)行逐元素相加得到P4、P3與P2。由于C1的特征圖尺寸較大且語(yǔ)義信息不足，因此沒有把C1放到橫向連接中。卷積融合：在得到相加后的特征后，利用3×3卷積對(duì)生成的P2至P4再進(jìn)行融合，目的是消除上采樣過程帶來(lái)的重疊效應(yīng)，以生成最終的特征圖。FPN對(duì)于不同大小的RoI，使用不同的特征圖，大尺度的RoI在深層的特征圖上進(jìn)行提取，如P5，小尺度的RoI在淺層的特征圖上進(jìn)行提取，如P2。FPN的代碼實(shí)現(xiàn)如下：import torch.nn as nnimport torch.nn.functional as Fimport mathclass Bottleneck(nn.Module): expansion = 4 def __init__(self, in_planes, planes, stride=1, downsample=None): super(Bottleneck, self).__init__() self.bottleneck = nn.Sequential( nn.Conv2d(in_planes, planes, 1, bias=False), nn.BatchNorm2d(planes), nn.ReLU(inplace=True), nn.Conv2d(planes, planes, 3, stride, 1, bias=False), nn.BatchNorm2d(planes), nn.ReLU(inplace=True), nn.Conv2d(planes, self.expansion * planes, 1, bias=False), nn.BatchNorm2d(self.expansion * planes), ) self.relu = nn.ReLU(inplace=True) self.downsample = downsample def forward(self, x): identity = x out = self.bottleneck(x) if self.downsample is not None: identity = self.downsample(x) out += identity out = self.relu(out) return outclass FPN(nn.Module): def __init__(self, layers): super(FPN, self).__init__() self.inplanes = 64 self.conv1 = nn.Conv2d(3, 64, 7, 2, 3, bias=False) self.bn1 = nn.BatchNorm2d(64) self.relu = nn.ReLU(inplace=True) self.maxpool = nn.MaxPool2d(3, 2, 1) self.layer1 = self._make_layer(64, layers[0]) self.layer2 = self._make_layer(128, layers[1], 2) self.layer3 = self._make_layer(256, layers[2], 2) self.layer4 = self._make_layer(512, layers[3], 2) self.toplayer = nn.Conv2d(2048, 256, 1, 1, 0) self.smooth1 = nn.Conv2d(256, 256, 3, 1, 1) self.smooth2 = nn.Conv2d(256, 256, 3, 1, 1) self.smooth3 = nn.Conv2d(256, 256, 3, 1, 1) self.latlayer1 = nn.Conv2d(1024, 256, 1, 1, 0) self.latlayer2 = nn.Conv2d( 512, 256, 1, 1, 0) self.latlayer3 = nn.Conv2d( 256, 256, 1, 1, 0) def _make_layer(self, planes, blocks, stride=1): downsample = None if stride != 1 or self.inplanes != Bottleneck.expansion * planes: downsample = nn.Sequential( nn.Conv2d(self.inplanes, Bottleneck.expansion * planes, 1, stride, bias=False), nn.BatchNorm2d(Bottleneck.expansion * planes) ) layers = [] layers.append(Bottleneck(self.inplanes, planes, stride, downsample)) self.inplanes = planes * Bottleneck.expansion for i in range(1, blocks): layers.append(Bottleneck(self.inplanes, planes)) return nn.Sequential(*layers) def _upsample_add(self, x, y): _,_,H,W = y.shape return F.upsample(x, size=(H,W), mode='bilinear') + y def forward(self, x): c1 = self.maxpool(self.relu(self.bn1(self.conv1(x)))) c2 = self.layer1(c1) c3 = self.layer2(c2) c4 = self.layer3(c3) c5 = self.layer4(c4) p5 = self.toplayer(c5) p4 = self._upsample_add(p5, self.latlayer1(c4)) p3 = self._upsample_add(p4, self.latlayer2(c3)) p2 = self._upsample_add(p3, self.latlayer3(c2)) p4 = self.smooth1(p4) p3 = self.smooth2(p3) p2 = self.smooth3(p2)????????return?p2,?p3,?p4,?p52. DetNet：專為目標(biāo)檢測(cè)而生的Backbone，利用空洞卷積與殘差結(jié)構(gòu)，使得多個(gè)融合后的特征圖尺寸相同，從而也避免了上采樣操作。3. Faster RCNN系列中，HyperNet將第1、3、5個(gè)卷積組后得到的特征圖進(jìn)行融合，淺層的特征進(jìn)行池化、深層的特征進(jìn)行反卷積，最終采用通道拼接的方式進(jìn)行融合，優(yōu)勢(shì)互補(bǔ)。4. SSD系列中，DSSD在SSD的基礎(chǔ)上，對(duì)深層特征圖進(jìn)行反卷積，與淺層的特征相乘，得到了更優(yōu)的多層特征圖，這對(duì)于小物體的檢測(cè)十分有利。5.?RefineDet將SSD的多層特征圖結(jié)構(gòu)作為了Faster RCNN的RPN網(wǎng)絡(luò)，結(jié)合了兩者的優(yōu)點(diǎn)。特征圖處理上與FPN類似，利用反卷積與逐元素相加，將深層特征圖與淺層的特征圖進(jìn)行結(jié)合，實(shí)現(xiàn)了一個(gè)十分精巧的檢測(cè)網(wǎng)絡(luò)。6. YOLO系列中，YOLO v3也使用了特征融合的思想，通過上采樣與通道拼接的方式，最終輸出了3種尺寸的特征圖。

5?SNIP：尺度歸一化

論文地址：

https://arxiv.org/abs/1711.08189

代碼地址：https://github.com/mahyarnajibi/SNIPER當(dāng)前的物體檢測(cè)算法通常使用微調(diào)的方法，即先在ImageNet數(shù)據(jù)集上訓(xùn)練分類任務(wù)，然后再遷移到物體檢測(cè)的數(shù)據(jù)集上，如COCO來(lái)訓(xùn)練檢測(cè)任務(wù)。我們可以將ImageNet的分類任務(wù)看做224×224的尺度，而COCO中的物體尺度大部分在幾十像素的范圍內(nèi)，并且包含大量小物體，物體尺度差距更大，因此兩者的樣本差距太大，會(huì)導(dǎo)致映射遷移(Domain Shift)的誤差。SNIP是多尺度訓(xùn)練(Multi-Scale Training)的改進(jìn)版本。MST的思想是使用隨機(jī)采樣的多分辨率圖像使檢測(cè)器具有尺度不變特性。然而作者通過實(shí)驗(yàn)發(fā)現(xiàn)，在MST中，對(duì)于極大目標(biāo)和過小目標(biāo)的檢測(cè)效果并不好，但是MST也有一些優(yōu)點(diǎn)，比如對(duì)一張圖片會(huì)有幾種不同分辨率，每個(gè)目標(biāo)在訓(xùn)練時(shí)都會(huì)有幾個(gè)不同的尺寸，那么總有一個(gè)尺寸在指定的尺寸范圍內(nèi)。SNIP的做法是只對(duì)size在指定范圍內(nèi)的目標(biāo)回傳損失，即訓(xùn)練過程實(shí)際上只是針對(duì)某些特定目標(biāo)進(jìn)行，這樣就能減少domain-shift帶來(lái)的影響。SNIP的網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示：具體的實(shí)現(xiàn)細(xì)節(jié)(1)3個(gè)尺度分別擁有各自的RPN模塊，并且各自預(yù)測(cè)指定范圍內(nèi)的物體。(2)對(duì)于大尺度的特征圖，其RPN只負(fù)責(zé)預(yù)測(cè)被放大的小物體，對(duì)于小尺度的特征圖，其RPN只負(fù)責(zé)預(yù)測(cè)被縮小的大物體，這樣真實(shí)的物體尺度分布在較小的區(qū)間內(nèi)，避免了極大或者極小的物體。(3)在RPN階段，如果真實(shí)物體不在該RPN預(yù)測(cè)范圍內(nèi)，會(huì)被判定為無(wú)效，并且與該無(wú)效物體的IoU大于0.3的Anchor也被判定為無(wú)效的Anchor。(4)在訓(xùn)練時(shí)，只對(duì)有效的Proposal進(jìn)行反向傳播。在測(cè)試階段，對(duì)有效的預(yù)測(cè)Boxes先縮放到原圖尺度，利用Soft NMS將不同分辨率的預(yù)測(cè)結(jié)果合并。(5)實(shí)現(xiàn)時(shí)SNIP采用了可變形卷積的卷積方式，并且為了降低對(duì)于GPU的占用，將原圖隨機(jī)裁剪為1000×1000大小的圖像。總體來(lái)說(shuō)，SNIP讓模型更專注于物體本身的檢測(cè)，剝離了多尺度的學(xué)習(xí)難題。在網(wǎng)絡(luò)搭建時(shí)，SNIP也使用了類似于MST的多尺度訓(xùn)練方法，構(gòu)建了3個(gè)尺度的圖像金字塔，但在訓(xùn)練時(shí)，只對(duì)指定范圍內(nèi)的Proposal進(jìn)行反向傳播，而忽略掉過大或者過小的Proposal。SNIP方法雖然實(shí)現(xiàn)簡(jiǎn)單，但其背后卻蘊(yùn)藏深意，更深入地分析了當(dāng)前檢測(cè)算法在多尺度檢測(cè)上的問題所在，在訓(xùn)練時(shí)只選擇在一定尺度范圍內(nèi)的物體進(jìn)行學(xué)習(xí)，在COCO數(shù)據(jù)集上有3%的檢測(cè)精度提升，可謂是大道至簡(jiǎn)。

6 TridentNet：三叉戟網(wǎng)絡(luò)

論文地址：https://arxiv.org/abs/1901.01892代碼地址：https://github.com/TuSimple/simpledet/tree/master/models/tridentnet傳統(tǒng)的解決多尺度檢測(cè)的算法，大都依賴于圖像金字塔與特征金字塔。與上述算法不同，圖森組對(duì)感受野這一因素進(jìn)行了深入的分析，并利用了空洞卷積這一利器，構(gòu)建了簡(jiǎn)單的三分支網(wǎng)絡(luò)TridentNet，對(duì)于多尺度物體的檢測(cè)有了明顯的精度提升。TridentNet網(wǎng)絡(luò)的作者將3種不同的感受野網(wǎng)絡(luò)并行化，提出了如下圖所示的檢測(cè)框架。采用ResNet作為基礎(chǔ)Backbone，前三個(gè)stage沿用原始的結(jié)構(gòu)，在第四個(gè)stage，使用了三個(gè)感受野不同的并行網(wǎng)絡(luò)。具體實(shí)現(xiàn)細(xì)節(jié)(1)3個(gè)不同的分支使用了空洞數(shù)不同的空洞卷積，感受野由小到大，可以更好地覆蓋多尺度的物體分布。(2)由于3個(gè)分支要檢測(cè)的內(nèi)容是相同的、要學(xué)習(xí)的特征也是相同的，只不過是形成了不同的感受野來(lái)檢測(cè)不同尺度的物體，因此，3個(gè)分支共享權(quán)重，這樣既充分利用了樣本信息，學(xué)習(xí)到更本質(zhì)的目標(biāo)檢測(cè)信息，也減少了參數(shù)量與過擬合的風(fēng)險(xiǎn)。(3)借鑒了SNIP的思想，在每一個(gè)分支內(nèi)只訓(xùn)練一定范圍內(nèi)的樣本，避免了過大與過小的樣本對(duì)于網(wǎng)絡(luò)參數(shù)的影響。在訓(xùn)練時(shí)，TridentNet網(wǎng)絡(luò)的三個(gè)分支會(huì)接入三個(gè)不同的head網(wǎng)絡(luò)進(jìn)行后續(xù)損失計(jì)算。在測(cè)試時(shí)，由于沒有先驗(yàn)的標(biāo)簽來(lái)選擇不同的分支，因此只保留了一個(gè)分支進(jìn)行前向計(jì)算，這種前向方法只有少量的精度損失。具體細(xì)節(jié)可以參考論文。參考資料1.深度學(xué)習(xí)之PyTorch物體檢測(cè)實(shí)戰(zhàn) 董洪義2.https://link.zhihu.com/?target=https%3A//arxiv.org/abs/1901.018923.https://zhuanlan.zhihu.com/p/744156024.https://zhuanlan.zhihu.com/p/61536443

推薦閱讀

• 無(wú)痛漲點(diǎn)：目標(biāo)檢測(cè)優(yōu)化的實(shí)用Trick

• 綜述：目標(biāo)檢測(cè)二十年

• 總結(jié)目標(biāo)檢測(cè)匹配策略與改進(jìn)思路

來(lái)測(cè)一測(cè)你是幾級(jí)的煉丹師？

添加極市小助手微信(ID : cvmart2)，備注：姓名-學(xué)校/公司-研究方向-城市(如：小極-北大-目標(biāo)檢測(cè)-深圳)，即可申請(qǐng)加入極市目標(biāo)檢測(cè)/圖像分割/工業(yè)檢測(cè)/人臉/醫(yī)學(xué)影像/3D/SLAM/自動(dòng)駕駛/超分辨率/姿態(tài)估計(jì)/ReID/GAN/圖像增強(qiáng)/OCR/視頻理解等技術(shù)交流群：每月大咖直播分享、真實(shí)項(xiàng)目需求對(duì)接、求職內(nèi)推、算法競(jìng)賽、干貨資訊匯總、與?10000+來(lái)自港科大、北大、清華、中科院、CMU、騰訊、百度等名校名企視覺開發(fā)者互動(dòng)交流~△長(zhǎng)按添加極市小助手△長(zhǎng)按關(guān)注極市平臺(tái)，獲取最新CV干貨覺得有用麻煩給個(gè)在看啦~??

總結(jié)

以上是生活随笔為你收集整理的检测到目标服务器启用了trace方法_综述：目标检测中的多尺度检测方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。