CVPR精彩论文解读：对当下主流CNN物体检测器的对比评测

本篇文章1915字，读完约5分钟

雷锋。(公开号码:雷锋。ai科技评论:尽管2017年cvpr已经结束，精彩论文的解读仍在继续。以下是李俊，穆明塔的高级研发工程师，解释文章速度/精度贸易-提供现代挥发性物体探测器包括在这次会议中。

如何选择物体探测器

-对当前主流cnn物体探测器的评估

自2014年rcnn提出以来，基于卷积神经网络的目标检测已经成为主流。许多检测算法，如快速rcnn，固态硬盘，yolo，r-fcn等。，并且每种方法在它自己的维度上都达到了当时的最先进水平。然而，由于特征提取网络、图像分辨率、软硬件架构等因素的不同。不同的方法在实验中使用，对于不同的检测方法缺乏实际的公平比较。本文主要讨论了各种目标检测算法在速度和精度之间的不同权衡下的性能，进而指导实际应用中目标检测器的选择。

在本文中，我们主要讨论以下几点:

为什么要在本文中比较检测器

如何比较不同的检测器

比较的结论是什么

总结与思考

1.为什么要做探测器比较

近年来，由于有线电视新闻网的发展和应用，目标检测领域发展迅速。例如，更快的RCNN、R-FCN、多盒、固态硬盘、YOLO等算法已成功应用于实际产品，并在各种计算设备上显示出可观的性能。在实际应用中，由于不同的场景有不同的限制和要求，有必要根据实际情况选择最合适的检测方法。这就要求我们对不同探测器的性能有一个更客观的了解。

然而，很难从这些算法的原始文章中直接获得不同算法在多维度上的比较。一方面，不同方法的原始论文在特征提取网络、盒匹配方法、盒表示以及Return的损失函数选择上存在差异(如下表所示)。另一方面，我们缺乏客观的评价标准:pascal voc或map，对coco数据集的标准评价标准，只能反映准确性，而赢得比赛的方法通常采用多模型融合，如多作物和多尺度，以时间为代价来提高准确性。

我们需要系统地、客观地评估不同算法在速度、精度、空等维度上的优劣，从而指导选择不同实际情况下所需的最佳目标检测器。

2.如何比较不同的检测器

本文对快速rcnn、ssd和r-fcn三种方法进行了比较。每种方法都是基于张量流的实现，并比较了单一模型和单一转发的性能。每种方法首先在张量流中再现原论文的报道准确性，然后在此基础上进行修正和比较。具体来说，特征提取器采用了多种模型，如VGG16、RESNET 101、盗梦空间V2、盗梦空间V3、盗梦空间RESNET V2、MobileNet等。更快的rcnn和r-fcn使用相同的特征映射层来预测区域建议；。Ssd添加多个额外的2倍大小的图层，根据顶层要素图进行预测；快速rcnn和r-fcn的建议数量从10个变为300个。同时，探讨了32°到16°和8°变化对特征图步距的影响；保持参数数量不变；匹配方法统一为二部图，匹配盒编码为[10 * x _ c/w _ a，10 * y _ c/h _ a，5 * logw，5 * logh]，回波损耗设为平滑l1损耗；。输入图像的短边分辨率调整为600，短边分辨率为300。计算时间包括一个前处理时间和一个后处理时间。

3.比较的结论是什么

不同方法的速度-精度图比较如下:

更快的rcnn使用更少的建议，这可以显著加快速度，但对精度影响很小。此外，ssd受特征提取器的影响比快速rcnn和r-fcn小。最后，本文指出在满足速度要求的情况下，目标检测器具有最佳的速度精度折衷。如下图所示:

最快的模型是低分辨率的mobilenet+ssd，最高精度的网络是启动resnet v2+300提案更快的rcnn。速度精度最好的模型是resnet 101+100建议更快的rcnn和resnet 101+300建议r-fcn。

4.总结与思考

本文的价值在于在相对公平的环境中比较了一些最佳的检测算法。通过大量不同配置的比较，为实际应用中检测任务的选择提供了一定的指导。在实际应用中，更快的rcnn和r-fcn可以在速度和精度之间实现更好的平衡。两步迭代方案确保了高召回率和高精度。此外，无论运行时间，更快的rcnn仍然是首选刷名单。

cvpr作者的现场质量保证:

1.不管时间，当参数数量相同时，哪种方法具有更高的精度？

答:更快的rcnn > r-fcn > ssd，其中ssd的主要优势是更快(在相同参数数量下)。

2.为什么两阶段方案(更快的rcnn、r-fcn)比ssd更精确？

答:快速反应神经网络在第一步关注建议的效果，在第二步细化。提取的感兴趣区域将有一个放大效果，所以它将有更高的学习精度比固态硬盘混合在一起。

地址:arxiv/abs/1611.10012

雷锋文章版权所有。严禁擅自转载。详情请参考转载说明。