深度学习【54】物体检测:Feature-Fused SSD: Fast Detection for Small Objects

论文提出通过融合高层特征图增强低层语义信息,改善小物体检测效果。对比了不同层次特征图的上采样效果,以及concat和sum操作对结果的影响。实验结果显示在小物体检测上优于原始SSD,速度可能快于DSSD。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

论文的思路比价简单,本身论文写的也简单,这里也就简单记录一下。
论文的思路是使用高层的特征图来加强低层特征图的语义信息,以增加小物体检测精度。具体如下图:
这里写图片描述

至于为什么使用conv5和conv4,论文也做了比较。这是因为感受野越大(越高层的特征图),经过上采样后会包含更多的背景噪声,这会影响小物体的检测。如下图所示:
这里写图片描述
图中越往右边表示网络层越深,可以看出越深的特征图上采样后包含的背景信息越多。

论文还讨论了拼接时使用,concat还是sum操作:
这里写图片描述

实验结果

不同融合方案以及不同的拼接方案:
这里写图片描述

最终的结果,在小物体(bottle为例)上比原始的SSD是有所提升,相对于DSSD会差一点点,但速度应该会比DSSD快些:
这里写图片描述

评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值