Scale-Transferrable Detection Network（STDN）算法笔记

最新推荐文章于 2023-11-03 15:24:22 发布

AI之路

最新推荐文章于 2023-11-03 15:24:22 发布

阅读量9.9k

点赞数 5

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/u014380165/article/details/80602130

STDN（Scale-Transferrable Detection Network）是一种在CVPR2018提出的对象检测算法，通过DenseNet融合高低层特征，提升不同尺度目标检测效果。该算法使用scale-transfer layer减少参数和计算量，创建大尺寸feature map，并结合通道缩减和STM模块加速。实验表明，STDN在VOC和COCO数据集上表现出良好的检测性能和速度平衡。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：Scale-Transferrable Object Detection
论文链接：https://pan.baidu.com/s/1i6Yjvpz

Scale-Transferrable Detection Network（STDN）是CVPR2018的文章，用于提高object detection算法对不同scale的object的检测效果。该算法采用DenseNet网络作为特征提取网络（自带高低层特征融合），基于多层特征做预测（类似SSD），并对预测结果做融合得到最终结果。该算法有两个特点：1、主网络采用DenseNet，了解DenseNet的同学应该知道该网络在一个block中，每一层的输入feature map是前面几层的输出feature map做concate后的结果，因此相当于高低层特征做了融合。高低层特征融合其实对object detection算法而言是比较重要的，FPN算法是显式地做了高低层特征融合，而SSD没有，这也是为什么SSD在小目标问题上检测效果不好的原因之一，因此该算法虽然看似SSD，但其实和SSD有区别。2、引入scale-transfer layer，实现了在几乎不增加参数量和计算量的前提下生成大尺寸的feature map（其他常见的算法基本上都是采用deconvolution或upsample），由于scale-transfer layer是一个转换操作，因此基本不会引入额外的参数量和计算量。

Figure1是object detection算法中常用的几种预测层设计方式：（a）是Faster RCNN的做法，显然这种做法所利用的特征层较少，效果一般；（b）是FPN算法的做法，基于融合后的特征做预测对于小目标的检测效果提升更加明显；（c）是SSD算法的做法，虽然也是基于多层特征做预测，但是每个预测分支还是基于单层特征，因此虽然浅层用来预测小目标，但由于浅层没有与富含语义信息的高层做融合，因此对于小目标的检测效果一般；（d）本文的scale transf