文章目录
- Abstract
- Method
- Experiment
- Ablation Study
- Main Results
- Conclusion
- 未来展望
link
code
Abstract
本文介绍了一种新的对象检测器——DetectoRS，通过在骨干网络设计中引入递归特征金字塔和可切换的空洞卷积机制，实现了出色的性能提升。在宏观层面，递归特征金字塔将额外的反馈连接添加到底部向上传播的骨干层中；在微观层面，可切换的空洞卷积通过不同的空洞率对特征进行卷积，并使用开关函数收集结果。实验结果显示，在COCO测试集中，DetectoRS取得了最先进的55.7%的边界框AP、48.5%的实例分割AP和50.0%的全景分割PQ
Method
本文提出了一个名为Recursive Feature Pyramid（RFP）的对象检测框架，它在Feature Pyramid Networks（FPN）的基础上增加了反馈连接，并通过迭代更新方式实现了特征融合。同时，还引入了Switchable Atrous Convolution（SAC），用于动态选择不同尺度下的卷积核，从而适应不同的物体大小。此外，为了进一步提高性能，文章还设计了两个轻量级的全局上下文模块来增强模型的感受野。
相比于传统的FPN，RFP通过增加反馈连接和迭代更新的方式，能够更好地实现特征融合，提高了检测精度。而SAC则可以自适应地选择不同尺度下的卷积核，避免了传统卷积层对于不同尺度物体的不适应问题。另外，全局上下文模块的设计也有助于提升模型的感受野，增强了模型的表达能力。
该方法主要解决了对象检测中对于不同尺度物体的检测精度问题，以及对于不同尺度下物体特征的提取问题。通过引入RFP和SAC等技术手段，能够在保持计算效率的同时，显著提高检测精度，适用于实际场景中的目标检测任务。
Experiment
Ablation Study
在Ablation Studies中，作者对RFP和SAC进行了单独的实验，并将它们与基线模型进行比较。具体来说，他们使用了ResNet-50和ResNeXt-101作为backbone，并添加了RFP和SAC来提高检测性能。结果显示，这两个模块都能够显著提高检测精度，而且没有太大的速度损失。当同时使用这两个模块时，检测精度达到了49%的box AP和42.1%的mask AP，而速度为3.9 fps。
Main Results
在Main Results中，作者将DetectoRS应用于COCO数据集上的一系列目标检测任务，并与其他方法进行了比较。实验结果表明，DetectoRS在不同的检测任务中都取得了优异的表现，包括单阶段和多阶段检测器、基于ROI的方法以及基于回归的方法等。具体来说，在使用ResNeXt-101-32x4d作为backbone的情况下，DetectoRS的box AP比其他方法高出了几个百分点，而使用ResNeXt-101-64x4d作为backbone时，DetectoRS的box AP甚至超过了其他方法的两倍。此外，DetectoRS还能够在实例分割和语义分割任务中取得优异的结果。
总之，本文通过一系列实验证明了DetectoRS模型的有效性和优越性，证明了其在目标检测领域的应用前景。
Conclusion
本文提出了一种新的神经网络结构——DetectoRS，通过在宏和微两个层面实现“看两次”设计哲学，显著提高了对象检测、实例分割和全景分割任务的性能，并且保持了与之前最佳模型相似的推理速度。具体来说，该文提出的Recursive Feature Pyramid（RFP）通过将FPN层中的额外反馈连接引入到底部向上骨干层中来增强FPN，从而实现了多次查看图像的设计。此外，Switchable Atrous Convolution（SAC）通过使用不同的atrous rate对同一输入特征进行卷积并使用开关函数收集结果，从而进一步提高了检测器的性能。实验表明，DetectoRS相对于之前的最佳模型HTC，在COCO数据集上取得了显著的性能提升。
本文提出了两种新颖的方法：Recursive Feature Pyramid和Switchable Atrous Convolution。Recursive Feature Pyramid通过在FPN中添加反馈连接来增强FPN，从而实现了多次查看图像的设计。Switchable Atrous Convolution则通过使用不同的atrous rate对同一输入特征进行卷积并使用开关函数收集结果，从而进一步提高了检测器的性能。这两种方法都是基于人类视觉系统的工作原理而设计的，具有很好的可解释性和实用性。
未来展望
本文提出的DetectoRS是一种非常有前途的神经网络结构，可以应用于各种计算机视觉任务。未来的研究可以从以下几个方面展开：首先，可以尝试将DetectoRS与其他先进的神经网络结构结合，以进一步提高其性能；其次，可以探索如何在更广泛的场景下应用DetectoRS，例如医疗图像识别等领域；最后，可以研究如何将DetectoRS扩展到其他类型的任务，例如目标跟踪等。
