目标检测干货 | NETNet，高速度高精度目标检测网络（附论文下载）

“

计算机视觉研究院

”

计算机视觉研究院专栏

作者：Edison_G

目标检测发展越来越火热，尤其现在的小目标检测越来越难突破。最近大量阅读了目标检测领域的高质量文献，今天首先分享一篇我个人觉得很不错的一个创新，可感知尺度的目标检测新网络，性能可达27FPS/38.5 mAP；55FPS/32.% mAP，优于TripleNet、RFBNet等网络！

1.前言

Single-shot探测器由于具有实时检测和提高性能的优点，近年来得到了广泛的关注。为了解决复杂的尺度变化，Single-shot探测器基于多个金字塔层进行尺度感知预测。然而，金字塔中的特征没有足够的尺度感知，这限制了检测性能。可以观察到由物体尺度变化引起的单热探测器中的两个常见问题：

（1）小物体容易被遗漏；

（2）大物体的突出部分有时被检测为物体。

通过这一观察，作者就提出了一种新的邻域擦除和传输(NET)机制来重新配置金字塔特征和探索尺度感知特征。在NET中，设计了一个邻域擦除模块(NEM)，用于擦除大目标的显著特征，并强调浅层小目标的特征。引入了一个邻域传输模块(NTM)来传输被擦除的特征，并在深层突出显示大目标。利用这种机制，构建了一个名为NETNet的Single-shot网络，用于感知尺度的对象检测。

此外，我觉得聚合最近的相邻金字塔特征来增强NET性能！

2.对比

上面一行是SSD，下面一行是NETNet结果。从第一金字塔层提取可视化特征，用于检测小目标。

False negative problem：由于小物体的特征在相应的金字塔特征(b)上不突出，所以(a)中漏掉了小物体（网球拍、运动的球）。NETNet可以通过擦除大目标的特征并将注意力集中在小目标上(如c，d)来检测高置信度的小目标。

Part false positive problem：头部被检测为基线中的另一个人，因为用于检测小目标的特征(f)上突出显示了该部分区域。NETNet可以通过抑制大目标的突出部分特征来解决这个问题，如(h)。

通过上面的几个结构，最终目的其实就是从浅金字塔层中删除大目标的特征，并生成用于检测小目标的小尺度感知特征。将浅层中的大目标的特征转移，增强深层的特征。然后构建了一个one-shot尺度感知检测器，用于更精确的目标检测。

3.新框架

Neighbor Erasing Module

计算这个spatial gate如下：

可以选择使用最大池化或平均池化沿着通道方向生成空间注意图(c=1)，如下：

总之，通过 reversed gate来抑制较大目标的特征，从而为较小的目标Xs生成尺度感知特征P˜s：

Single-Shot Detector: NETNet

4.实验结果

最终实验结果如下：

实验可视化：

下次我们会专门详细分析实验的过程，以及该如何怎么去做好实验，在顶刊或高级会议发表Paper！一切都是有技巧，有规律的，感兴趣的同学请持续关注“计算机视觉研究院”！

Paper下载地址：​​https://arxiv.org/pdf/2001.06690.pdf​​

© THE END

计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

计算机视觉研究院

长按扫描二维码关注我们