从Grid R-CNN到Grid R-CNN Plus：基于网格的目标检测演化

作者丨孙明珊

学校丨哈尔滨工业大学（深圳）硕士生

研究方向丨目标检测

研究动机

Grid R-CNN 是一种将传统两阶段检测算法中对于矩形框坐标回归转换成由 FCN 构建物体网格点的方法，由于同一水平线上网格点的互相纠正作用以及相邻网格点空间信息的融合，其探测结果质量高。然而，其速度并不理想，因此 plus 版本在该基础上作了速度和精度提升。

在 Grid R-CNN 中对于一个物体来说，它所有的网格点共享一个相同的特征表达区域，并且此区域过于冗余。为此，Grid R-CNN Plus 将网格分支的输入尺度从原来的 56x56 降低为 28x28，对于每个网格点，新的输出代表了原来大概四分之一的区域，该方法较 Grid R-CNN 不仅提升了速度还提升了精度，除此之外，还从网格分支网络的结构减重、RoI 采样策略以及 NMS 等方面下手来提升模型速度。

研究方法

Grid R-CNN回顾

Grid R-CNN 这篇论文由商汤提出，主要对 Faster R-CNN 框架中定位框回归支路的更改，将以往通过回归方式实现 proposal 位置修正的方法，改为通过全卷积网络来实现目标定位框的精确修正。