Paddle目标检测学习笔记（二）

Faster R-CNN简析

第一阶段:产生候选区域

使用 Anchor替代 Selective search,选取候选区域

选出包含物体的 Ancho进入Rol Pooling提取特征

第二阶段：对候选区域进行分类并预测目标物体位置

RPN

结构：

训练：

1.向RPN网络输入一个监督信息,判断 Anchor.是否包含物体。

Anchor包含物体-正样本

Anchor不包含物体-负样本

2.根据Anch和真实框loU取值,判断正or负样本

正样本:

与某一真实框loU最大的 Anchor

与任意真实框loU>07的 Anchor

负样本:

与所有真实框的loU<0.3的 Anchor

3.采样规则:

共采样256个样本

从正样本中随机采样,采样个数不超过128个

从负样本中随机采样,补齐256个样本

loss

生成Proposals

RoI pooling

候选框分为若干子区域,将每个区域对应到输入特征图上，取每个区域内的最大值作为该区域的输出。

不足：

在两次取整近似时，导致检测信息与提取出的特征不匹配

解决：RoI Align

BBox Head

补充

Q：请分别列举你所认为的当前最先进的目标检测方法，并解释为什么该方法的是当前最先进的方法？在原理上，该方法做了什么创新？

EfficientDet

来自[1911.09070] EfficientDet: Scalable and Efficient Object Detection (arxiv.org)

主要贡献点是BiFPN和Compound scaling方法，具体我也没有精读，下面是我对其直观的理解。

BiFPN是在FPN的基础上对其进行改进，对原始的FPN模块又添加了添加上下文信息的边，并对每个边乘以一个相应的权重。

Compound scaling方法是一种复合特征金字塔网络缩放方法，统一缩放所有backbone的分辨率、深度和宽度、特征网络和box/class预测网络。

今年的单阶段算法TOOD（来自[2108.07755] TOOD: Task-aligned One-stage Object Detection (arxiv.org)），在COCO数据集上刷新了单阶段目标检测新纪录，但我还没有去了解。

特征金字塔网络缩放方法，统一缩放所有backbone的分辨率、深度和宽度、特征网络和box/class预测网络。

今年的单阶段算法TOOD（来自[2108.07755] TOOD: Task-aligned One-stage Object Detection (arxiv.org)），在COCO数据集上刷新了单阶段目标检测新纪录，但我还没有去了解。