【論文筆記】An Analysis of Scale Invariance in Object Detection - SNIP （二）

Object Detection on an Image Pyramid

Scale Normalization for Image Pyramid

SNIP是由MST修改而來的模型，在上一節中做者指出MST效果很差的緣由在於沒法識別過大或太小的目標，而在SNIP中，咱們使用224x224的分辨率（與pre-training的分辨率相近）來訓練檢測器。

SNIP在訓練過程當中只對特定尺度範圍內的目標回傳損失，但不對數據集進行過濾處理，是的模型可以補貨全部appearnce和pose細節，從而減少了domain-shift帶來的影響。

特定尺度範圍是與pre-training數據相近的尺度，即224x224。

**注：**MST進行多尺度訓練，由於一個物體總會有一個尺度落在指定範圍內，只有這個落在指定範圍內的物體參與了訓練，其他部分在BP時忽略。

由Table1能夠看出，SNIP與其餘方法相比是優秀的。

SNIP示意圖以下所示：

RPN訓練

1. 用全部的ground truth boxes給anchors和proposals分配標籤。
2. 對一個特定分辨率i下，定義範圍[sc_i, ec_i]，RoI落入此範圍內的ground truth boxes記爲valid，其他爲invalid。
3. 將與invalid_GT的RoI超過0.3的anchors標記爲invalid anchors。

在測試階段，用RPN生成各個分辨率下的proposals，並各自分類，與訓練時相同，丟棄不在特定範圍內的detections（not proposals）。

最後用soft-NMS講個分辨率下的detections相加，獲得最終結果。

Sampling Sub-images

考慮到GPU的顯存限制，須要對圖片進行crop。

• 用最少數量的chips（sub-images），1000x1000，來囊括全部小目標。若是沒有小物體就不須要計算，從而達到加速目的。
• 1400x2000的圖片進行採樣，800x1200和480x640的途中沒有小物體時不須要採樣。