机遇 research之路其修远兮,我将上下而求索

DSSD:Deconvolution Single Shot Detector

2018-04-01
cwlseu

论文来源

作者: http://www.cs.unc.edu/~wliu/

论文: https://arxiv.org/abs/1701.06659

效果展示: http://www.cs.unc.edu/~cyfu/dssd_lalaland.mp4

其中主要展示的是对大物体– 人物的追踪比较多,其他物体比重不大。

Abstract

采用Residual-101代替VGG网络 引入反卷积层

@DSS和SSD架构图 对于小物体和多个物体的识别正确率提升,但是速度是下降的。如下图所示,每组图片中左边是SSD的结果,右边是DSSD的结果。 @DSS和SSD结果对比 @DSS和SSD结果对比 从速度方面,SSD的速度是DSSD是快的。原来SSD可以大搞46FPS,当前使用Residual-101之后大于为11.2FPS。速度是原来的1/4. @Speed and Accuracy on Pascal VOC2007 也就是我们可以考虑在ResNet和VGG选择,权衡正确率和速度。

SSD 回顾

这个可以看[gwyve的ssd]http://gwyve.com/blog/2017/03/01/reading-note-SSD.html

Prediction Module

这个模块的设计是根据MS-CNN[^1]提出的”improving the sub-network of each task can improve accuracy.” @Deconvolution Module介绍

Deconvolutional SSD

Deconvolution Module

@Deconvolution Module介绍

  1. a batch normalization layer is added after each convolution layer.
  2. learned deconvolution layer instead of bilinear upsampling.
  3. test different combination methods: element-wise sum and element-wise product.

@PM的效果

Box radio

原理ssd中box radio选用的是2 and 3. 本文中采用YOLO9000中的kmeans聚类方法进行选取aspect radio.

result

@Speed and Accuracy on Pascal VOC2007

参考文献

[^1]. Z. Cai, Q. Fan, R. S. Feris, and N. Vasconcelos. A unified multiscale deep convolutional neural network for fast object detection. In ECCV, 2016.

|版权声明:本文为博主原创文章,未经博主允许不得转载。


相似博文

欢迎评论