RefineDet

RefineDet能夠當作是SSD,RPN,FPN算法的結合,其主要思想是:Faster-RCNN等two-stage算法,對box進行兩次迴歸,於是精度高,可是速度慢;YOLO等one-stage算法,對box只進行一個迴歸,速度快,可是精度低.RefineDet將二者結合起來,對box進行兩次迴歸,可是是one-stage算法,既提升了精度,同時速度也較快.RefineDet的框架是SSD,同時引入了FPN的特徵融合操做,提升對小目標的檢測效果.

YOLO等one-stage算法,經過設置固定尺寸的Anchor Box來進行迴歸,RefineDet改變了這一點,其Anchor Box的尺寸再也不是固定的,而是變化的,由一個專門的Branch預測Anchor Box的尺寸,再由另外一個Branch在預測的Anchor Box的基礎上進行迴歸,從而提升了精度.RefineDet網絡的結構圖以下所示,主要由三個部分組成:Anchor Refinement Module (ARM) ,Object Detection Module (ODM)和Transfer Connection Block (TCB).

ARM負責對Anchor Box進行前景,背景二分類以及迴歸,ODM負責在ARM輸出的基礎上,迴歸之後的Anchor Box進行多類迴歸和分類.二者均採用了FPN結構,中間經過TCB鏈接起來,TCB的結構以下圖所示:

其中最後一層不須要Deconv.