多分支卷積塊的目標(biāo)檢測(cè)算法

劉翔羽 楊超宇

摘 要：為解決現(xiàn)有目標(biāo)檢測(cè)算法中尺度變化帶來(lái)的檢測(cè)問(wèn)題，為此設(shè)計(jì)了基于多尺度感受野特征塊，即一種并行的多分支卷積塊，共享參數(shù)但有著不同的卷積擴(kuò)張率，并將其特征塊集成到SSD框架中，從而增強(qiáng)網(wǎng)絡(luò)的感受野以提高檢測(cè)精度，之后再添加通道注意力模塊，融合多個(gè)尺度相同的特征，由此得到最終的特征進(jìn)入檢測(cè)層檢測(cè)。在COCO和Pascal VOC 2007數(shù)據(jù)集上測(cè)試表明，該方法在滿(mǎn)足一定檢測(cè)精度的同時(shí)可以達(dá)到實(shí)時(shí)的檢測(cè)效果。

關(guān)鍵詞：目標(biāo)檢測(cè);尺度變化;感受野

中圖分類(lèi)號(hào)：TP391? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2020）10-0017-06

1 引言

近年來(lái)，深度卷積神經(jīng)網(wǎng)絡(luò)（CNNs）[1-3]在目標(biāo)檢測(cè)上取得了巨大的成功。通常，這些基于CNN的方法可以大致分為兩種類(lèi)型：One-stage方法如YOLO[3]或SSD[2]，直接利用前饋CNN去預(yù)測(cè)感興趣區(qū)的邊界框，而Two-stage的方法，如FasterR-CNN[1]或R-FCN[4]方法則是先生成提案，然后再加以利用提取區(qū)域特征從而利用CNN進(jìn)一步細(xì)化。但是，這兩種方法的一個(gè)中心問(wèn)題是如何處理尺度變化。對(duì)象實(shí)例的尺度大小可能會(huì)有不同的范圍，這阻礙了檢測(cè)，特別是那些尺度非常小或者非常大的情況。

為了彌補(bǔ)大尺度變化，一種直觀的方法是利用多尺度圖像金字塔[5]，這在基于手工制作的特征的方法[6，7]和基于深度CNN的方法中都很流行。強(qiáng)有力的證據(jù)[1，4]表明，深度檢測(cè)器可以受益于多尺度的訓(xùn)練和測(cè)試。為了避免出現(xiàn)極端尺度的訓(xùn)練對(duì)象，SNIP[8，9]提出了一種尺度歸一化方法，在每個(gè)圖像尺度中有選擇地訓(xùn)練適當(dāng)大小的對(duì)象，圖1a為圖像金字塔結(jié)構(gòu)。然而，測(cè)試時(shí)間的增加使得圖像金字塔方法不太適合實(shí)際場(chǎng)合應(yīng)用。另一個(gè)努力的方向是利用網(wǎng)絡(luò)內(nèi)的特征金字塔來(lái)近似模擬圖像金字塔以減少計(jì)算代價(jià)，圖1b為特征金字塔結(jié)構(gòu)。這個(gè)方法首先在[10]中實(shí)現(xiàn)，通過(guò)在特征通道層插值快速構(gòu)造特征金字塔來(lái)用于目標(biāo)檢測(cè)。SSD[2]利用來(lái)自不同層的多尺度特征映射，并在每個(gè)特征層檢測(cè)不同尺度的對(duì)象。為了彌補(bǔ)低級(jí)特征中語(yǔ)義的缺失，F(xiàn)PN[11]進(jìn)一步擴(kuò)展了自頂向下的通路和橫向的連接，以在高層特征中包含強(qiáng)語(yǔ)義信息。然而，不同尺度的目標(biāo)區(qū)域特征是從不同層次的FPN骨干網(wǎng)中提取出來(lái)的，而FPN骨干網(wǎng)又是用不同的參數(shù)集生成的。這使得特征金字塔成為圖像金字塔的一個(gè)不令人滿(mǎn)意的替代品。圖像金字塔和特征金字塔方法都有著同樣的動(dòng)機(jī)，即檢測(cè)模型對(duì)不同尺度對(duì)象應(yīng)該有不同的感受野。盡管效率不高，但圖像金字塔充分利用了模型的表征能力，對(duì)所有對(duì)象進(jìn)行變換尺度一視同仁。與之相反，特征金字塔產(chǎn)生了多層次的特征，從而犧牲了不同尺度上的特征一致性，這導(dǎo)致有效的訓(xùn)練數(shù)據(jù)減少，每個(gè)尺度的過(guò)度擬合風(fēng)險(xiǎn)更高。

為解決尺度變化對(duì)目標(biāo)檢測(cè)的影響，本文提出Multi-BranchReceptive-field Network（MBRnet）即多分支感受野網(wǎng)絡(luò)模型，通過(guò)設(shè)計(jì)多分支卷積塊生成不同尺度感受野的特征圖，并將其集成到SSD網(wǎng)絡(luò)結(jié)構(gòu)中，以此來(lái)降低尺度變化對(duì)檢測(cè)精度的影響，提高識(shí)別率，同時(shí)添加通道注意力模塊學(xué)習(xí)不同尺度特征圖。

2 相關(guān)研究

2.1 深度學(xué)習(xí)目標(biāo)檢測(cè)

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在精度和速度上都有了很大的提高。Two-stage檢測(cè)方法[1，12，4，13，14]是主要的檢測(cè)方法之一，它首先生成一組區(qū)域建議，然后通過(guò)CNN網(wǎng)絡(luò)對(duì)其進(jìn)行細(xì)化。在[1]中，R-CNN通過(guò)選擇性搜索生成區(qū)域建議，然后由CNN獨(dú)立地、順序地從原始圖像中對(duì)裁剪的建議區(qū)域進(jìn)行分類(lèi)和細(xì)化。為了減少R-CNN中特征提取的冗余計(jì)算，SPPNet[15]和Fast R-CNN[1]一次性提取整幅圖像的特征，然后分別通過(guò)空間金字塔池RoI池化層生成區(qū)域特征，RoIAlign layer進(jìn)一步改進(jìn)了RoI層，解決了粗糙空間量化問(wèn)題。Faster R-CNN首先提出了一個(gè)統(tǒng)一的端到端目標(biāo)檢測(cè)框架，介紹了一種與檢測(cè)網(wǎng)絡(luò)共享骨干網(wǎng)的區(qū)域建議網(wǎng)絡(luò)（RPN），用以取代原有的獨(dú)立的、耗時(shí)的區(qū)域建議方法。為了進(jìn)一步提高FasterR-CNN的效率，R-FCN通過(guò)全卷積網(wǎng)絡(luò)構(gòu)造位置敏感的分?jǐn)?shù)圖，以避免RoI-wise頭部網(wǎng)絡(luò)。為了避免R-FCN中額外的大分?jǐn)?shù)圖，Light-Head R-CNN使用了一個(gè)維度更小的特征圖和一個(gè)輕便的R-CNN子網(wǎng)來(lái)更有效地構(gòu)建一個(gè)兩階段檢測(cè)器。

另一方面，One-stage檢測(cè)方法從YOLO開(kāi)始被推廣，最具代表性的方法就是YOLO和SSD。它們基于整個(gè)特征圖預(yù)測(cè)多個(gè)對(duì)象的置信度和位置，這兩種檢測(cè)器都采用了輕量級(jí)的網(wǎng)絡(luò)架構(gòu)來(lái)加速，而它們的檢測(cè)精度明顯落后于頂級(jí)的Two-stage 方法。最近更為先進(jìn)的One-stage檢測(cè)器如DSSD和RetinaNet通過(guò)更深層的ResNet-101和應(yīng)用一些技術(shù)，例如反卷積和Focalloss來(lái)更新它們的輕便網(wǎng)絡(luò)架構(gòu)，這些方法在檢測(cè)效果的精度上甚至超過(guò)了一些頂級(jí)two-stage方法。然而，這種性能的提高在很大程度上犧牲了它們的速度優(yōu)勢(shì)。

2.2 Receptivefield

現(xiàn)有一些深度學(xué)習(xí)模型為了提高檢測(cè)精度都是在以犧牲計(jì)算力為代價(jià)，增加網(wǎng)絡(luò)深度。在這項(xiàng)研究中，我們的目標(biāo)是在不引起太多計(jì)算負(fù)擔(dān)的情況下提高高速單級(jí)探測(cè)器的性能。因此，人為修改網(wǎng)絡(luò)以加強(qiáng)網(wǎng)絡(luò)特征表征能力是替代增加網(wǎng)絡(luò)深度最好的方法。感受野是卷積神經(jīng)網(wǎng)絡(luò)中重要的概念，感受野被定義為神經(jīng)網(wǎng)絡(luò)特征所能看到的輸入圖像區(qū)域，對(duì)于感受野在CNN的相關(guān)研究在早期已經(jīng)出現(xiàn)，最相關(guān)的是Inception[16]家族，ASPP[17]和Deformable CNN[18]。Inception塊采用具有不同內(nèi)核大小的多個(gè)分支來(lái)捕獲多尺度信息。但是，所有的內(nèi)核都是在同一個(gè)中心采樣的，這就需要更大的內(nèi)核來(lái)達(dá)到相同的采樣覆蓋率，從而丟失了一些關(guān)鍵的細(xì)節(jié)。對(duì)于ASPP，擴(kuò)展卷積改變了從中心到中心的采樣距離，但是這些特征和以前相同核大小的卷積層有著相同的分辨率，這使得在所有位置的線(xiàn)索都被同等對(duì)待，可能導(dǎo)致對(duì)象和上下文之間的混淆。Deformable CNN學(xué)習(xí)單個(gè)物體的不同分辨率，但不幸的是有著和ASPP一樣的缺點(diǎn)。Trident Networks[19]為了探討感受野對(duì)檢測(cè)結(jié)果的影響，對(duì)于不同尺度的物體，使用不同擴(kuò)張率的空洞卷積來(lái)控制網(wǎng)絡(luò)的感受野，其結(jié)果表明不同尺度對(duì)象的性能受網(wǎng)絡(luò)接受域的影響，最適宜的感受野與物體的尺度有很強(qiáng)的相關(guān)性?？梢缘贸龅慕Y(jié)論是，通過(guò)調(diào)大物體的有效感受野，從而影響小物體的表現(xiàn)。

2.3 Dilated convolution

空洞卷積通過(guò)在稀疏采樣位置進(jìn)行卷積，以原始權(quán)重放大卷積核，從而在不增加額外成本的情況下增大了感受野的大小，因此，針對(duì)感受野的改善，我們統(tǒng)一采取的方法是使用空洞卷積（Dilated convolution）?？斩淳矸e在語(yǔ)義分割中得到了廣泛的應(yīng)用，它可以整合大量的上下文信息。DetNet[22]設(shè)計(jì)了一個(gè)特定的檢測(cè)骨干網(wǎng)絡(luò)來(lái)保持空間分辨率，并使用空洞卷積放大感受野。在本文的工作中，我們使用多分支并行的架構(gòu)，在分支中使用不同擴(kuò)張率的空洞卷積來(lái)適應(yīng)不同尺度的對(duì)象感受野。

2.4 SSD（Single shot multibox detector）結(jié)構(gòu)

SSD是一種One-stage目標(biāo)檢測(cè)方法，One-stage算法就是目標(biāo)檢測(cè)和分類(lèi)是同時(shí)完成的，其主要思路是利用CNN提取特征后，均勻地在圖片的不同位置進(jìn)行密集抽樣，抽樣時(shí)可以采用不同尺度和長(zhǎng)寬比，物體分類(lèi)與預(yù)測(cè)框的回歸同時(shí)進(jìn)行，整個(gè)過(guò)程只需要一步，所以其優(yōu)勢(shì)是速度快。SSD采用的主干網(wǎng)絡(luò)是VGG網(wǎng)絡(luò)，但與VGG的區(qū)別是，將VGG的全連接層去除替換成卷積層并去掉所有的Dropout層和FC8層并新增了四個(gè)卷積層。整體結(jié)構(gòu)如圖2所示。

盡管SSD在保持檢測(cè)性能的同時(shí)還基本達(dá)到了和深層網(wǎng)絡(luò)檢測(cè)器相媲美的精度，但是仍然有著尺度變化帶來(lái)的問(wèn)題，在對(duì)多尺度檢測(cè)時(shí)性能并不是很好，為此，本文提出的MBRnet模型在此基礎(chǔ)上改進(jìn)，通過(guò)設(shè)計(jì)并行的多分支卷積塊，增強(qiáng)網(wǎng)絡(luò)特征表征能力提高對(duì)尺度變化的檢測(cè)性能。

3 MBRnet模型

MBRnet模型是以SSD模型為基礎(chǔ)進(jìn)行改進(jìn)，融合本文所設(shè)計(jì)的多分支卷積塊，改進(jìn)了從輕量級(jí)骨干網(wǎng)中提取的特征，并且這個(gè)多分支卷積塊是共享權(quán)重的，因此檢測(cè)速率仍舊很快。因?yàn)楦邔诱Z(yǔ)義特征表征能力更強(qiáng)，因此僅在SSD網(wǎng)絡(luò)中的高層卷積層加入所設(shè)計(jì)的多分支卷積塊，從而得到更好特征表現(xiàn)的特征圖。再將得到的多尺度的特征，再添加通道注意力模塊進(jìn)行融合，使融合后的特征中既包含高層特征，又有足夠的底層語(yǔ)義。為了使有效特征通道表現(xiàn)得更好，利用注意力機(jī)制為每個(gè)通道學(xué)習(xí)一個(gè)權(quán)值從而增強(qiáng)有效通道權(quán)重。圖3給出了模型中較為主要的層。

3.1 多分支卷積塊

本文所提出的MBRnet模型是以SSD網(wǎng)絡(luò)為基礎(chǔ)，VGG網(wǎng)絡(luò)為主骨干網(wǎng)絡(luò)，將其中的一些卷積層替換為本文所設(shè)計(jì)的多分支卷積塊，并且這些分支卷積塊與原先的卷積塊有著相同的結(jié)構(gòu)但擴(kuò)張率不同。以一個(gè)單獨(dú)的多分支卷積塊為例，我們?cè)诮Y(jié)構(gòu)中應(yīng)用瓶頸結(jié)構(gòu)，包含三個(gè)卷積層分別由一個(gè)1×1，3×3和1×1三個(gè)卷積核，將對(duì)應(yīng)的多分支卷積塊構(gòu)造為3×3convs的具有不同擴(kuò)張率的平行卷積塊。卷積塊的首尾采用1×1的卷積核來(lái)過(guò)濾特征圖的通道數(shù)，中間的卷積核設(shè)計(jì)為3×3步長(zhǎng)為2的卷積塊。具有擴(kuò)張率ds的擴(kuò)張卷積在其連續(xù)卷積核中插入ds-1個(gè)0，從而在不增加參數(shù)和計(jì)算次數(shù)的情況下增大核的大小，具體來(lái)說(shuō)，就是擴(kuò)張的3×3卷積可以與核大小為3+2（ds-1）的卷積有著相同的感受野，假設(shè)當(dāng)前特征圖的總步幅為s，則速率ds的擴(kuò)張卷積可使網(wǎng)絡(luò)的感受野增加2（ds-1）s，因此，如果我們用擴(kuò)張率ds修改n個(gè)conv層，則感受野可增加2（ds-1）sn。所以我們?cè)O(shè)置的三個(gè)卷積塊的擴(kuò)張率大小分別為1、2、3來(lái)控制感受野大小以適應(yīng)不同尺度特征圖，結(jié)構(gòu)如圖4所示。并行的三個(gè)分支卷積塊可以使我們控制不同分支的感受野，得到具有適應(yīng)性的感受野可以降低尺度變化帶來(lái)的負(fù)面影響。本文選擇在conv6和conv7替換為多分支塊，因?yàn)轫攲犹卣魉a(chǎn)生的更大的跨步會(huì)導(dǎo)致感受野的更大差異，而不在后面的conv8和conv9層繼續(xù)使用替換的卷積塊原因是后兩層的特征尺度過(guò)小而不再適用于卷積塊處理。

使用多分支卷積塊替代原始網(wǎng)絡(luò)卷積層的一個(gè)重要問(wèn)題是會(huì)多出幾倍的參數(shù)，潛在的會(huì)產(chǎn)生過(guò)擬合問(wèn)題，幸運(yùn)的是我們會(huì)在不同的分支上共享相同的結(jié)構(gòu)但卷積膨脹率不停，因此權(quán)重共享變得更簡(jiǎn)單，在多分支中應(yīng)用權(quán)重共享使得訓(xùn)練參數(shù)的減少，并且緩解了一定程度的過(guò)擬合問(wèn)題，使得檢測(cè)精度會(huì)有所定提高。共享權(quán)值的好處可以分為三點(diǎn)，首先，它與我們的目的保持統(tǒng)一，即不同尺度的物體應(yīng)該以相同的表征力進(jìn)行統(tǒng)一轉(zhuǎn)換，其次，這使得與原來(lái)的檢測(cè)相比不會(huì)產(chǎn)生額外的參數(shù)，最后，可以對(duì)所有來(lái)自分支的更多對(duì)象樣本訓(xùn)練轉(zhuǎn)換參數(shù)，換句話(huà)說(shuō)，就是在不同感受野下，對(duì)不同尺度范圍進(jìn)行相同的參數(shù)訓(xùn)練。

3.2 通道注意力模塊

加入多分支卷積塊之后的整個(gè)網(wǎng)絡(luò)，在進(jìn)行特征提取之后會(huì)產(chǎn)生10個(gè)有效特征圖，這些特征圖即包含底層信息的特征圖，又有高層特征的特征圖，為了使最后用作檢測(cè)的特征信息更加分豐富，我們選擇引入通道注意力模塊融合多個(gè)金字塔相同尺度的特征，避免了主干網(wǎng)中的特征對(duì)檢測(cè)任務(wù)而言特征表示不夠充足的問(wèn)題，同時(shí)特征包含了高低層語(yǔ)義和細(xì)節(jié)信息，這樣既利于檢測(cè)框的準(zhǔn)確生成也利于網(wǎng)絡(luò)分辨目標(biāo)和背景。融合的特征通道不同作用不同，為了加強(qiáng)通道特征表示，這里使用SEnet[20]所提出的Squeeze-and-Excitation模型，通過(guò)學(xué)習(xí)的方式自動(dòng)獲取每個(gè)通道特征的重要程度融合不同通道的特征。

通道注意力模塊結(jié)構(gòu)如圖5所示。這里給出具體的處理方法，多個(gè)特征金字塔中寬高為10通道數(shù)為256的特征經(jīng)過(guò)concat操作融合成寬高為10通道數(shù)為256的融合特征，之后經(jīng)過(guò)Attention機(jī)制增強(qiáng)不同通道的效果，最終用作檢測(cè)層。Attention的實(shí)現(xiàn)方式，將需要融合特征作為輸入進(jìn)行Squeeze操作即全局平均池化使之成為寬高為1通道數(shù)保持為2560，之后進(jìn)行Excitation操作，經(jīng)過(guò)兩個(gè)全連接層和一個(gè)ReLU函數(shù)激活層，其中，經(jīng)過(guò)第一個(gè)FC層之后的輸出維數(shù)變?yōu)樵瓉?lái)的1/16，最后一個(gè)FC層再將其維數(shù)恢復(fù)一次來(lái)進(jìn)行編碼和解碼操作同時(shí)不會(huì)產(chǎn)生太多計(jì)算量，最后再經(jīng)過(guò)一個(gè)Sigmoid函數(shù)求得融合特征的每個(gè)通道的注意力權(quán)值。

4 實(shí)驗(yàn)結(jié)果及分析

我們主要在Pascal VOC 2007和MS COCO數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，兩個(gè)數(shù)據(jù)集分別有20和80個(gè)對(duì)象類(lèi)別。在VOC 2007中，如果IoU與GT（Ground Truth）的交點(diǎn)大于0.5，則預(yù)測(cè)邊界框?yàn)檎?而在COCO中，則使用不同的閾值進(jìn)行更全面的計(jì)算，評(píng)價(jià)檢測(cè)性能的指標(biāo)是平均精度（mAP）。我們以Pytorch深度學(xué)習(xí)框架實(shí)現(xiàn)MRBnet，并利用SSD提供的開(kāi)源基本設(shè)施，我們的訓(xùn)練策略也主要遵循SSD包括數(shù)據(jù)擴(kuò)充、難分樣本挖掘（hard negative mining）、尺度和默認(rèn)框的寬高比例以及Loss函數(shù)。

模型batch-size設(shè)置為32。為了防止loss爆炸，學(xué)習(xí)率采用分布策略，初始學(xué)習(xí)率根原始SSD設(shè)置一樣10-3，此后在10、150和200個(gè)epoch時(shí)學(xué)習(xí)率每次衰減為原來(lái)的十分之一，前5個(gè)epoch的學(xué)習(xí)率從10-6逐漸升至4×10-3。參數(shù)衰減值（weight-decay）為0.0005，動(dòng)量因子（momentum）為0.9。

4.1 多分支卷積塊和通道注意力模塊有效性驗(yàn)證

為驗(yàn)證所提出的方法有效性，我們?cè)赑ascal voc 2007數(shù)據(jù)集上分別做了多組實(shí)驗(yàn)驗(yàn)證了各模塊的有效性，結(jié)果如表1所示。為了更好地理解多分支卷積塊，我們以原始SSD作為對(duì)比，帶有新數(shù)據(jù)擴(kuò)充的SSD300*在數(shù)據(jù)集上達(dá)到77.2%mAP，通過(guò)簡(jiǎn)單的加入多分支卷積塊后，結(jié)果改進(jìn)到79.1%mAP，獲得1.9%的提升，這說(shuō)明多分支卷積塊在檢測(cè)方面是有效地。加入通道注意力模塊后，檢測(cè)結(jié)果有著0.9%的提升，同樣說(shuō)明通道注意力模塊可以有效提升檢測(cè)率。當(dāng)同時(shí)引入提出的這兩種模塊之后，我們的MRBnet在數(shù)據(jù)集上達(dá)到了80.1%mAP。充分證明，提出的這兩種模塊都有效提升了檢測(cè)精度。

4.2 Pascal VOC 2007實(shí)驗(yàn)結(jié)果對(duì)比

表1展示了現(xiàn)階段各主流檢測(cè)器在Pascal VOC 2007測(cè)試集與我們的結(jié)果之間的比較。SSD300*為更新后的SSD結(jié)果，增加了[2]的數(shù)據(jù)擴(kuò)充，縮小了圖像以創(chuàng)建更多的小示例。為了公平的比較，我們使用Pytorch-0.3.0和CUDNN V6重新實(shí)現(xiàn)了SSD，環(huán)境與MBRnet相同。通過(guò)整合卷積層，我們的基本模型，以80.1%的地圖性能優(yōu)于SSD和YOLO，同時(shí)保持SSD300的實(shí)時(shí)速度。它甚至達(dá)到了與R-FCN相同的精度，R-FCN是兩階段框架下的高級(jí)模型。結(jié)果表明MRBnet比大多數(shù)一階段和兩階段的目標(biāo)檢測(cè)系統(tǒng)要好，同時(shí)并以高速運(yùn)行。

4.3 Microsoft COCO實(shí)驗(yàn)結(jié)果對(duì)比

為了進(jìn)一步驗(yàn)證所提出的MRBnet模型有效性，我們?cè)贛S COCO數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。我們使用trainval35k set （train set +val35k set）進(jìn)行訓(xùn)練，同樣的將batch-size設(shè)置為32，我們保持原來(lái)的SSD策略，減少默認(rèn)框的大小，因?yàn)镃OCO中的對(duì)象比PASCAL VOC中的對(duì)象小。

從下表可以看出，MRBnet在test-dev集上達(dá)到了30.8%/51.2%，基準(zhǔn)已經(jīng)大大超越了SSD 300*，甚至與擁有深度骨干網(wǎng)絡(luò)的R-FCN相比都有一定優(yōu)勢(shì)，而檢測(cè)速率上與R-FCN相比有著優(yōu)越的提升。與大模型相比MRBnet的結(jié)果略低于模型RetinaNet500（31.4%vs30.6%），但值得注意的是，RetinaNet500使用了較深的殘差網(wǎng)絡(luò)ResNet-101+FPN結(jié)構(gòu)和新的loss使得學(xué)習(xí)的重點(diǎn)在困難樣本（hard example），而我們的網(wǎng)絡(luò)只是輕量級(jí)的VGG模型。另一方面，MRBnet檢測(cè)平均消耗只有30ms，而RetinaNet500則需要90ms。同時(shí)，可以觀察到所提出的MRBnet模型對(duì)不同尺度下的檢測(cè)精度與原SSD和Two-stage方法相比都有所提升。通過(guò)以上各方法之間結(jié)果對(duì)比，MRBnet使用的多分支卷積塊和通道注意力模塊有效提升了各類(lèi)檢測(cè)精度，并在面對(duì)多尺度任務(wù)時(shí)可以出色完成檢測(cè)任務(wù)。

5 結(jié)語(yǔ)

目標(biāo)檢測(cè)中多尺度問(wèn)題一直影響檢測(cè)器的檢測(cè)精度，本文所提出的多分支卷積塊和通道注意力模塊在數(shù)據(jù)集上表現(xiàn)出良好的檢測(cè)效果，在VOC 2007和Microsoft COCO數(shù)據(jù)集上檢測(cè)精度較One-stage許多方法相比都有明顯提升效果，檢測(cè)精度可以與Two-stage相媲美，在實(shí)時(shí)性和準(zhǔn)確度上成績(jī)都非常優(yōu)秀?，F(xiàn)階段卷積神經(jīng)網(wǎng)絡(luò)仍然因網(wǎng)絡(luò)層數(shù)過(guò)深、訓(xùn)練參數(shù)過(guò)多導(dǎo)致模型實(shí)用性差，需依賴(lài)高性能設(shè)備做推理，如何通過(guò)剪枝壓縮模型計(jì)算量是下一步的研究方向。

——————————

參考文獻(xiàn)：

〔1〕Shaoqing Ren， Kaiming He， Ross Girshick， and Jian Sun.Faster R-CNN： Towards real-time object detection with regionproposal networks. In NIPS， 2015.

〔2〕Wei Liu， Dragomir Anguelov， Dumitru Erhan， ChristianSzegedy， Scott Reed， Cheng-Yang Fu， and Alexander CBerg. SSD： Single shot multibox detector. In ECCV， 2016.

〔3〕J. Redmon， S. Divvala， R. Girshick， and A. Farhadi. Youonly look once： Unified， real-time object detection. arXivpreprint arXiv：1506.02640 v4， 2015.

〔4〕Jifeng Dai， Yi Li， Kaiming He， and Jian Sun. R-FCN： Objectdetection via region-based fully convolutional networks. InNIPS， 2016.

〔5〕Edward H Adelson， Charles H Anderson， James R Bergen，Peter J Burt， and Joan M Ogden. Pyramid methods in imageprocessing. RCA engineer， 29（06）：33–41， 1984.

〔6〕Navneet Dalal and Bill Triggs. Histograms of oriented gradientsfor human detection. In CVPR， 2005.

〔7〕David G Lowe. Distinctive image features from scaleinvariantkeypoints. International Journal of Computer Vision，60（02）：91–110， 2004.

〔8〕Bharat Singh and Larry S Davis. An analysis of scale invariancein object detection–SNIP. In CVPR， 2018.

〔9〕Bharat Singh， Mahyar Najibi， and Larry S Davis. SNIPER：Efficient multi-scale training. In NIPS， 2018.

〔10〕Piotr Doll′ar， Ron Appel， Serge Belongie， and Pietro Perona.Fast feature pyramids for object detection. IEEETransactions on Pattern Analysis and Machine Intelligence， 36（08）：1532–1545， 2014.

〔11〕Tsung-Yi Lin， Piotr Doll′ar， Ross B Girshick， Kaiming He，Bharath Hariharan， and Serge J Belongie. Feature pyramidnetworks for object detection. In CVPR， 2017.

〔12〕Ross Girshick. Fast R-CNN. In ICCV， 2015.

〔13〕Zhaowei Cai and Nuno Vasconcelos. Cascade R-CNN： Delvinginto high quality object detection. In CVPR， 2018.

〔14〕Zeming Li， Chao Peng， Gang Yu， Xiangyu Zhang， YangdongDeng， and Jian Sun. Light-head R-CNN： In defense of twostageobject detector. arXiv：1711.07264， 2017.

〔15〕Kaiming He， Xiangyu Zhang， Shaoqing Ren， and Jian Sun.Spatial pyramid pooling in deep convolutional networks for visual recognition. IEEE Transactions on Pattern Analysisand Machine Intelligence， 37（09）：1904–1916， 2015.

〔16〕Szegedy， C.， Io_e， S.， Vanhoucke， V.， Alemi， A.A.： Inception-v4， inception-resnet and the impact of residual connections on learning. In： AAAI （2017）.

〔17〕Chen， L.C.， Papandreou， G.， Schro_， F.， Adam， H.： Rethinking atrous convolution for semantic image segmentation. arXiv preprint arXiv：1706.05587 （2017）.

〔18〕Dai， J.， et al.： Deformable convolutional networks. In： ICCV （2017）.

〔19〕Li Y， Chen Y， Wang N， et al. Scale-Aware Trident Networks for Object Detection[J]. 2019.

〔20〕Hu J， Shen L， Sun G. Squeeze-and-excitation networks[C]//Proceedings of the IEEE conference on computervision and pattern recognition. 2018： 7132-7141.

〔21〕J Redmon， A Farhadi. YOLOv3： An Incremental Improvement. 2018.

〔22〕Zeming Li， Chao Peng， Gang Yu， Xiangyu Zhang， YangdongDeng， and Jian Sun. DetNet： Design backbone for object detection. In ECCV， 2018.