「目標檢測」PVAnet原理

創新點：基於Faster-RCNN使用更高效的基礎網路

1.1 創新點

PVAnet是RCNN系列目標方向，基於Faster-RCNN進行改進，Faster-RCNN基礎網路可以使用ZF、VGG、Resnet等，但精度與速度難以同時提高。PVAnet的含義應該為：Performance Vs Accuracy，意為加速模型性能，同時不丟失精度的含義。主要的工作再使用了高效的自己設計的基礎網路。該網路使用了C.ReLU、Inception、HyperNet以及residual模塊等技巧。整體網路結構如圖1所示。

2.1 C.ReLU

C.ReLU的作者觀察基礎網路的特徵圖輸出，發現前部分每層輸出的特徵圖的值大部分互為相反數，因此，作者減小輸出特徵圖個數為原始一半，另一半直接取相反數得到，再將兩部分特徵圖連接，從而減少了卷積核數目。關於C.ReLU參考博客與論文C.ReLU的模塊結構如圖2所示。

2.2 Inception模塊

作者發現googlenet中Inception模塊由於具有多種感受野的卷積核組合，因此能夠適應多尺度目標的檢測，作者使用基於Inception模塊組合併且組合跳級路特徵進行基礎網路後部分特徵的提取。

2.3 HyperNet

將conv3中原圖1/8特徵圖、conv3中原圖1/16特徵圖、conv3中原圖1/32特徵圖連接來增加最終特徵圖中多尺度信息。其中，conv3中特徵圖被下採樣，conv5中特徵圖被線性插值上採樣。

3.1 實驗過程

除了以上基礎網路的區別：

(1) PVAnet使用的anchor與faster-rcnn不同，PVA在每個特徵點上使用了25個anchor(5種尺度，5種形狀)。

(2) 並且RPN網路不使用全部特徵圖就能達到很好的定位精度，RPN網路只用生成200個proposals；

(3) 使用VOC2007、VOC2012、COCO一起訓練模型；

(4) 可以使用類似於Fast-RCNN的truncated SVD來加速全連接層的速度;

(5) 使用投票機制增加訓練精度，投票機制應該參考於R-FCN

中公優就業IT培訓，總有你想學的：http://xue.ujiuye.com

勤工儉學計劃，0元學IT!

http://www.ujiuye.com/zt/qgjx/?wt.bd=mmxtt

找工作太難?我們來幫你一舉拿下!

http://www.ujiuye.com/zt/jycj/?=mmxtt

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！