DSSD : Deconvolutional Single Shot Detector论文阅读笔记

DSSD : Deconvolutional Single Shot Detector论文阅读笔记2017

Abstract

本文的主要贡献是提出了一种方法，将额外的context引入到SOTA通用的目标检测中。==实验中，我们首先将一种SOTA分类器（ResNet-101）和快速检测框架SSD进行组合。然后我们增加了反卷积层来引入额外的大尺度context，提升了准确率，尤其是对小目标，因此我们将模型叫做DSSD。==尽管这两个贡献在高等级上很好描述，但是naive implementation没有成功。相反我们发现，添加learned transformations的其他阶段，尤其是反卷积中的一个前馈连接模块和新的输出模块，可以使得新的模型有效，并有进一步发展的潜力。我们的DSSD，513 * 513输入的情况下，在VOC2007test取得81.5% mAP，在VOC2012test取得80.0%mAP，在COCO取得33.2% mAP，超过了目前SOTA模型R-FCN。

1. Introduction

本文主要贡献是对SOTA目标检测中加入了额外的context信息，最后结果取得了SOTA同时可以保持较快的速度。我们首先组合SSD+ResNet-101，然后引入了额外的大尺度语义信息，提升了准确率，我们的模型叫做DSSD。

最近两年，有一种研究趋势是回到滑窗方法（one-stage）。这个想法是，不再首先提出proposal然后分类，而是直接进行预测。这些方法将潜在的bbox数量减少，对每个box预测一个分数，然后预测offset，最近的YOLO和SSD都比较有效，且速度较快。

**当寻找继续提高检测准确率的方法时，明显的目标就是更好的特征网络和增加更多的context，尤其是小目标的，以及提升bbox的空间分辨率。**之前的SSD网络基于VGG，目前我们使用更好的ResNet-101。目前在检测外的领域上的研究，**出现了一种可以整合context的网络，“encoder-decoder”，网络中，中间的瓶颈层用来将输入图像的信息编码，然后后续的更大的层将它解码成一个map。这种宽-窄-宽的结构通常称为沙漏。**这些方法在语义分割和位姿识别上取得了很好的效果。

然而，这些修改，无论是使用更深层的ResNet-101还是在SSD特征成之后加入反卷积层，都无法直接使用。因此，十分有必要构建一个组合模块，来整合反卷积，和输出模块（在训练的时候隔离ResNet-101），并可以有效学习。

2. Related Work

主要的目标检测方法，包括SPPnet、Faster R-CNN、R-FCN、YOLO都使用最后一层conv的特征图来进行检测不同尺度的目标。尽管有效，使用这一层特征图检测所有可能的目标尺寸，负担较重。

通过检测多个特征图，可以提高准确率。第一类是将不同的特征图进行组合，在组合的特征图上进行检测，比如ION、HyperNet。组合的特征图有来自图像不同尺度的特征，但是组合的特征图不仅增加了模型的内存占用量，也降低了速度。

另一类是在不同尺度的特征图上进行预测，比如SSD、MS-CNN等。然而，为了检测小的目标，这些方法可能会使用更浅层的信息，这回导致在小目标上效果不佳，因为浅层的特征的语义信息较少。通过使用反卷积层和skip connections，我们可把更深层的语义信息注入，这就可以帮助检测小的目标。

还有另一条研究线路是在预测中包括语义context信息。Multi-Region CNN不止对region proposal进行池化获得特征，同样预先定义了一些区域，比如半部分、中央、边界和context区域，对这些区域进行池化。我们使用一个encoder-decoder的