SNIP物体检测算法理解

博文参考：https://blog.csdn.net/u014380165/article/details/80793334
看了文章，觉得还不错，在现有的best object-detection model上能增加3%~4%个mAP点。

SNIP的主要思想

基本思想是：浅层的feature map语义特征比较弱，但是小物体特征比较明显，适合在较浅的层检测小物体，但是对于大物体，由于语义特征比较弱，不太适合在浅层进行检测；深层的feature map语义特征很强，但是对于小物体，在该层的特征基本上消失，所以在深层对大物体进行检测比较合适，而小物体则已不适合。

SNIP的思想就是，在不同层scale的feature map中定义的有效anchor范围不同，在浅层的feature map，这里检测小物体，此时的anchor box尺寸占原始图像的大小较小，在深层的feature map，此时的anchor box尺寸占原始图像的大小较大。也就是说在浅层的feature map上只对小的物体对应的ground truth标签（就是定位框）进行误差计算/梯度回传，更新网络，此时忽略大的和中型的物体；同样，在较深的feature map中，只对大的物体进行误差计算（此时的anchor box设定的比较大）/梯度回传，忽略小的物体。这样即可保证在对应scale层中提取最佳的特征，从而增加检测的准确率。