论文笔记之---Speed and accuracy trade-offs for modern convolutional object detectors

最新推荐文章于 2024-06-21 09:37:09 发布

He_is_all

最新推荐文章于 2024-06-21 09:37:09 发布

阅读量7k

点赞数 2

分类专栏：论文文章标签： Object Detection Faster R-CNN SSD R-FCN 深度学习

本文链接：https://blog.csdn.net/He_is_all/article/details/56485921

版权

这篇论文笔记探讨了Faster R-CNN、SSD和R-FCN等现代深度学习目标检测器在速度与精度之间的取舍。通过对流程的详细分析，揭示了不同方法的优缺点。

摘要由CSDN通过智能技术生成

 
 Abstract 

 
 这篇文章主要权衡了三种被称为“元结构”（meta-architectures）的主流detector---Faster R-CNN，R-FCN 和SSD之间的精确率与速度。 

 
 Introduction 

 
 1.对于从业者来说，选择主流OD（object detector缩写）中的哪一款作为工具是一项比较难的任务，受制于程序运行时间和内存大小，mAP等数据也并不能够完全作为选用标准。 

 
 2.只有少部分论文细致地讨论了OD的运行时间，但是它们也并未给出速度和精确度之间是如何进行权衡的，而权衡往往需要依赖其他因素，如使用特征提取器的类型和输入图片尺寸等。 

 
 3.本文的主要贡献如下： 

 
 a）对于目前主流的卷积探测系统，文中提供了精炼的调查结果，阐述了主流OD设计中的相似性。 

 
 b）利用TensorFlow对三种meta-architecture构建了一种灵活统一的应用，其上可以对不同的检测系统进行大量实验，从而跟踪它们的精确度和速度之间的关系。 

 
 c） 
 （hin重要）实验得出，在Faster R-CNN中，使用更少的proposals能够使系统的速度有显著提升，而且不会造成精确度上较多的损失，从而使得其与SSD、R-FCN等相比后更具竞争力。相比于Faster R-CNN和R-FCN，SSD对于特征提取器的质量更为不敏感。 

 
 d）文中提出的一些meta-architecture与feature-extractor的组合在以前的paper中从未出现过，其中一些还新颖的组合帮助训练出了20

关注

专栏目录