目标检测：各种网络结构对比

1、通常的CNN网络结构如下图所示

图1

上图网络是自底向上卷积，然后使用最后一层特征图进行预测，像SPP-Net，Fast R-CNN，Faster R-CNN就是采用这种方式，即仅采用网络最后一层的特征。

以VGG16为例子，假如feat_stride=16，表示若原图大小是1000*600，经过网络后最深一层的特征图大小是60*40，可理解为特征图上一像素点映射原图中一个16*16的区域；那原图中有一个小于16*16大小的小物体，是不是就会被忽略掉，检测不到了呢？

结论：早起最常用的网络结构，缺点就是会造成检测小物体的性能急剧下降。

2、图片金字塔生成特征金字塔

鉴于上面的单层检测会丢失细节特征；就会想到利用图像的各个尺度进行训练和测试，比如下图所展示，将图像做成不同的scale，然后不同scale的图像生成对应的不同scale的特征

图2

将图片缩放成多个比例，每个比例单独提取特征图进行预测，这样，可以得到比较理想的结果，但是比较耗时，不太适合运用到实际当中。有些算法仅会在测试时候采用图像金字塔。

结论：在机器学习算法中经常使用，例如：HOG+SVM,但是它最大的缺点就是很耗时，很难应用于工程中。

3、多尺度特征融合的方式（特征金字塔）

图3

像SSD（Single Shot Detector）就是采用这种多尺度特征融合的方式，没有上采样过程，即从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量。作者认为SSD算法中没有用到足够低层的特征（在SSD中，最低层的特征是VGG网络的conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。

结论：目前one-stage目标检测网络最常用的网络结构，对于小目标的检测，需要注意取到的较低层的特征，毕竟底层的特征包含更多的细节信息。

4、FPN（Feature Pyramid Networks）

图4

FPN主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。通过高层特征进行上采样和低层特征进行自顶向下的连接，而且每一层都会进行预测。

结论：借鉴了语义分割的思想，将上下层特征进行合并，进一步提升小物体检测率，在Anchor-free的目标检测网络中应用广泛。

5、top-down pyramid w/o lateral

图5

该网络有自顶向下的过程，但是没有横向连接，即向下过程没有融合原来的特征。实验发现这样效果比图1的网络效果更差。结论：效果之所以变差，主要因为目标的location特征在经过多次降采样和上采样过程后变得更加不准确。

6、only finest level

图6

上图带有skip connection的网络结构在预测的时候是在finest level（自顶向下的最后一层）进行的，简单讲就是经过多次上采样并融合特征到最后一步，拿最后一步生成的特征做预测，跟FPN的区别是它仅在最后一层预测。

结论：很显然，它没有在多个特征层进行predict，对多尺度目标鲁棒性不够好。

参考链接：https://blog.csdn.net/kk123k/article/details/86566954

目标检测：各种网络结构对比相关推荐

表现SOTA！DetCo算法：目标检测无监督对比学习
点上方计算机视觉联盟获取更多干货仅作学术分享,不代表本公众号立场,侵权联系删除转载于:Sophia知乎 https://zhuanlan.zhihu.com/p/393398507 AI博士笔记系 ...
深度学习目标检测网络汇总对比,挺好的
深度学习目标检测网络汇总对比本文总阅读量次欢迎star我的博客 2019-01-03 参考 :https://medium.com/@jonathan_hui/object-detection-s ...
【深度学习】ICCV2021｜性能优于何恺明团队MoCo v2，DetCo：为目标检测定制任务的对比学习...
作者丨小马编辑丨极市平台导读作者专为目标检测任务"量身定制"了对比学习框架DetCo,在PASCAL VOC数据集上,DetCo在100个epoch时的性能就与MoCo V2 ...
YOLOV5 的小目标检测网络结构优化方法汇总(附代码)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨南山来源丨 AI约读社 YOLOv5是一种非常受欢迎的单阶段目标检测,以其性能和速度著称,其结 ...
Jetson Nano and VIM3硬件参数对比及目标检测性能对比
文章目录: 1 Jetson Nano and VIM3硬件参数对比及目标检测性能对比 2 Jetson nano在yolov4目标检测性能 3 VIM在yolov3.yolov3-tiny.yolo ...
CV之IS：计算机视觉之图像分割(Image Segmentation)算法的挑战任务、算法演化、目标检测和图像分割(语义分割/实例分割/全景分割)的对比
CV之IS:计算机视觉之图像分割(Image Segmentation)算法的挑战任务.算法演化.目标检测和图像分割(语义分割/实例分割/全景分割)的对比相关文章 CV之IS:计算机视觉之图像分割( ...
超越YOLOv5，1.3M超轻量，高效易用，目标检测领域这一个就够了！
允中发自凹非寺量子位编辑 | 公众号 QbitAI 目标检测技术作为视觉技术届的顶梁柱,不仅单兵作战在人脸.车辆.商品.缺陷检测等场景有出色的表现,也是文本识别,图像检索.视频分析.目标跟踪等 ...
超越YOLOv5，1.3M超轻量，高效易用，目标检测领域这一个就够了
简介: 目标检测技术作为视觉技术届的顶梁柱,不仅单兵作战在人脸.车辆.商品.缺陷检测等场景有出色的表现,也是文本识别,图像检索.视频分析.目标跟踪等复合技术的核心模块,应用场景可谓比比皆是.各界开发 ...
基于改进SSD算法的小目标检测与应用
人工智能技术与咨询点击蓝字 · 关注我们来源:< 计算机科学与应用> ,作者刘洋等关键词: SSD:深度学习:小目标检测摘要: 摘要: 针对通用目标检测方法在复杂环境下检测小目标时 ...
【深度学习】目标检测算法 YOLO 最耐心细致的讲解
YOLO 是 2016 年提出来的目标检测算法,在当时比较优秀的目标检测算法有 R-CNN.Fast R-CNN 等等,但 YOLO 算法还是让人感到很新奇与兴奋. YOLO 是 You only l ...

目标检测：各种网络结构对比

目标检测：各种网络结构对比相关推荐

最新文章

热门文章