目标检测tridentnet

论文主要贡献：

（1）首次提出感受野（receptive field）对目标检测任务中不同scale大小物体的影响，并进行相关实验验证
（2）提出了适应于多尺度的目标检测框架TridentNet
（3）使用参数共享的方法，提出了训练时3个branch，测试时只使用其中一个branch，这样保证推断时不会有额外参数和计算量的增加
（4）使用ResNet-101的backbone在coco数据集上达到48.4的map

 

不同尺度物体的性能受到网络接收场的影响。最合适的接收场与物体的尺度密切相关。

我们的方法采用单一尺度图像作为输入，然后通过具有相同参数但具有不同扩张率的卷积的平行分支创建尺度特定的特征图。

我们为每个分支i定义了有效范围。在训练期间，我们只选择其尺度落在每个分支的相应有效范围内的建议和地面实况框。具体而言，对于宽度为w且高度为h的感兴趣区域（ROI），它在以下情况下对分支i有效：