RefineDet算法详解

论文背景

论文全称：Single-ShotRefinementNeuralNetworkforObjectDetection
论文链接：https://arxiv.org/abs/1711.06897
论文日期：2018.1.3

对于目标检测算法，目前准确率最高的算法都是两阶段的算法，然而单一神经网络算法可以实现高效率，保证了检测速度。为了结合两者优势，本文提出了一个新型单一神经网络检测算法，既保证了准确率又保障了效率。
RefineDet包含两个连接模型，命名为提炼锚模型（ARM）与目标检测模型（ODM）。
前者旨在滤除负样本锚以减少分类器的搜索空间，以及粗略调整锚的位置和大小，以便为后续的回归器提供更好的初始化。
后者使用前者提炼的精确锚作为输入来进一步提高回归和对多类标签的预测。
在其中，本文设计了一个转换连接块，将前者的特征转化为后者中预测定位、尺寸、类别标签。使得整体算法是一个端到端的算法。

算法简介

算法提出背景

主流目标检测算法可被分为两类，一类是两阶段的目标检测；另一类是一阶段的目标检测。
两阶段的目标检测算法都是先提取稀疏的候选区域，然后进行分类与回归。
一阶段的目标检测算法是在整张图片中采用不同的尺寸与比例进行常规密集的采样。
目前两阶段的算法在准确率是表现优于一阶段的算法，最主要的原因是样本不平衡的问题。

两阶段目标检测算法的优势：

1. 使用采用启发式采样的两阶段结构来处理类不平衡；
2. 使用级联的两步式结构来回归目标框参数；
3. 使用两步特征来描述目标。

因此结合两阶段目标检测算法，本文提出了一个新型的算法。