点击我爱计算机视觉标星,更快获取CVML新技术
前几天腾讯公布了一篇论文RefineDetLite: A Lightweight One-stage Object Detection Framework for CPU-only Devices,提出一种面向CPU设备的轻量级一阶段目标检测网络RefineDetLite,其在MSCOCO 上可以达到精度29.4 AP,同时在Intel 6700 @3.4G HZ 型号CPU上可以跑到130ms/图片(320X320),是目前轻量级通用目标检测网络的佼佼者。
以下是作者信息:
作者来自腾讯和港科大。
RefineDetLite是在RefineDet目标检测算法基础上提出的改进,其架构如下:
其最大的改进点是考虑到分类网络的骨干网并不适合目标检测,设计了轻量级的 Res2NetLite 骨干网,如下图:
其中使用的基础模块Res2Block如下图:
作者为此骨干网设计了Light-head 用于检测,在检测部分又分为粗略的loss模块和提精损失模块,如下图:
除了网络架构的改进,作者设计了几个训练策略也大幅改进了精度。
训练策略:
1. 损失函数分粗略和提精的定位和分类四部分:
2. 在这个多任务学习中,加权的权重是可训练的:
3. IOU-guided loss ,不再以交并比超过0.5对检测结果硬化分,设计soft one-hot 标签,并以此来计算损失函数。
4. 数据集感知的类别加权损失函数。消除不同类别目标样本数目不平衡问题。
下表为作者在MSCOCO test-dev 数据集上的实验结果:
其中有很多值得思考的地方:
1. RefineDetLite 达到了 AP 26.8,加上作者提出的训练策略,可以达到29.6,在轻量级目标检测网络中是最高的精度。
2. ThunderNet是之前最优秀的轻量级算法(出自旷视),但该文的训练策略也可以用于ThunderNet,单纯比算法,可能ThunderNet更优秀!希望以后会有更多的结果出来。
3. 为检测设计专门的骨干网很有必要!
4. 在RefineDet中使用MobileNetV3比使用MobileNetV2效果还差!这是不是说明神经架构搜索得到的网络迁移效果不好?
5. 作者设计的训练策略非常有效,这些都是在处理不平衡问题和IOU对损失贡献问题,看来这个很重要。强烈推荐大家看:目标检测中的不平衡问题综述
消融实验:
检测图片例子:
论文地址:
https://arxiv.org/pdf/1911.08855.pdf
在我爱计算机视觉公众号后台回复“RefineDetLite”(长按复制),即可收到论文下载。
虽然没发现该文有开源代码,但其中使用的ThunderNet有第三方开源的代码,非常值得参考!
https://github.com/ouyanghuiyu/Thundernet_Pytorch
推荐阅读:
ThunderNet:国防科大、旷视提出首个在ARM上实时运行的通用目标检测算法
目标检测交流群
关注最新最前沿的目标检测技术,扫码添加CV君拉你入群,(如已为CV君其他账号好友请直接私信)
(请务必注明:目标检测)
喜欢在QQ交流的童鞋,可以加52CV官方QQ群:805388940。
(不会时时在线,如果没能及时通过验证还请见谅)
长按关注我爱计算机视觉
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:RefineDetLite:腾讯提出轻量级高精度目标检测网络 - Python技术站