论文阅读笔记：Object Detection Networks on Convolutional Feature Maps

最新推荐文章于 2022-12-23 16:55:15 发布

原创

最新推荐文章于 2022-12-23 16:55:15 发布 · 6k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #featuremap

本文是关于CVPR 2015中深度学习和目标检测的研究，探讨了不同方法，包括R-CNN、SPPnet和Hybrid派，并提出固定预训练的ConvNet在特征图上训练NoCs（Network on Convolutional feature maps）的思路。实验表明，预训练+微调效果最佳，而精心设计的网络（如ConvNet with maxout）性能提升显著。

这是CVPR 2015的一篇关于深度学习和目标检测的文章，作者是MSRA的Shaoqing Ren， Kaiming He等。文章下载链接：http://yunpan.cn/cQS7v5ruHFKek 提取码 179e

阅读总结如下（思想重要，实验暂略）：

1. 当前的目标检测方法

总体框架是 feature extractor + object classifier。
传统方法：HOG/SIFT/LBP + SVM/boosted/DPM 。
当前方法又细分为三个流派。
第一种 fine-tuned ConvNet + MLP，以R-CNN为代表。
第二种是想把deep ConvNet 和 traditional detector做一个结合。把传统的 feature extractor 升级为 pre-trained deep ConvNet，但是用传统的分类器，即 pre-trained ConvNet +DPM/boosted, 称为Hybrid派。
第三种方法介于R-CNN和Hybrid之间，pre-trained ConvNet + fine-tuned MLP，以SPPnet为代表。从性能上来说，R-CNN还是占统治地位，SPPnet和R-CNN接近，Hybrid方法一般要比前两者差点。

2. 问题的提出