《Grid R-CNN Plus: Faster and Better》论文笔记

最新推荐文章于 2020-05-08 17:01:35 发布

m_buddy

最新推荐文章于 2020-05-08 17:01:35 发布

阅读量338

点赞数

分类专栏： # General Object Detection 文章标签： Grid R-CNN Plus

本文链接：https://blog.csdn.net/m_buddy/article/details/98473689

版权

Grid R-CNN Plus通过改进Grid Point Representation、采用LightGrid Head、Image-acrossSample Strategy及NMS优化，提高了检测速度和精度。在COCO数据集上，基于Res50-FPN实现40.4% mAP，同时保持接近原版的推理速度。

摘要由CSDN通过智能技术生成

代码地址：Grid R-CNN

1. 概述

导读：Grid R-CNN将原（Faster R-CNN）中检测框偏移预估的问题转换为网格点预估问题，有了网格点的帮助，检测的性能有了进一步提升。而这篇文章提出的改进主要在原Grid R-CNN的基础上提升速度，同时也提升精度，改进之后的方法叫作Grid R-CNN Plus。其在COCO数据集上基于Res50-FPN获得了40.4%的mAP，超过前一个版本3%，同时推理的时间相差无几（相比Faster R-CNN FPN）。

2. 方法改进

2.1 Grid Point Specific Representation Region

这一部分是Grid R-CNN Plus中最显著的改进点，既是修改了grid point的特征表达，变为网格点的特定表达。由于只有正样本（IOU>0.5）才会被送入Grid branch，该branch的输出叫heatmap，维度是 $56 * 56$ ，heatmap的监督信息就如Figure2中第一行的2个图所示，分别是左上角关键点的监督信息和右中位置关键点的监督信息。
在这里插入图片描述
在Grid RCNN算法中，输出的heatmap和监督信息都是 $56 *$