解读Top-Down Modulation for object detection

最新推荐文章于 2023-05-22 14:08:18 发布

alwaysNewToCpp

最新推荐文章于 2023-05-22 14:08:18 发布

阅读量2.8k

点赞数 2

分类专栏：论文解析文章标签：神经网络深度学习目标检测算法

本文链接：https://blog.csdn.net/qq_36446671/article/details/76652370

版权

本文探讨了在卷积神经网络中，通过Top-Down Modulation增强目标检测性能的方法。通过自顶向下的神经网络和侧向连接，网络能够结合高层语义和低层细节特征，尤其在小物体识别上取得显著提升。实验结果显示，该方法在COCO数据集上提高了平均准确率，验证了其有效性。

摘要由CSDN通过智能技术生成

一、概述
卷积神经网络中，卷积层和池化层导致了最终层学习到粗糙的，高度语义化的特征。但是，在识别像瓶子，遥控器小物体时，更需要诸如水平及竖直边缘这样的细节特征。而这些细节特征正是卷积神经网络在位置靠前的卷积层所要学习的。
为了捕捉这些细节特征，各种skip connection方法很流行。但是简单的融合高维度skip feature由于维度灾难导致的过拟合，并不会明显提升网络性能。那么，解决方案就在top-down modulation里。我们用一个自顶向下的神经网络补充经典的自底向上的前馈网络，用侧向连接连接它们。这些连接是用来调制和选择底层特征，而自顶向下的神经网络负责融合特征。经典前馈卷积网络获取的高层语义特征，由自顶向下的网络反馈回来，经过侧向连接处理后，在中间层与原特征融合，进一步向下传递。最终这些特征继承地拥有了局部及更大的感受野。本方法使用InceptionResNet-v2的初步实验得到了36.8的平均准确率，这是不用多尺度迭代改善的单个模型的最佳结果。并且，在小物体识别上获取了极大提升，说明了基于高层语义的细节特征提取很重要。

二、网络解析
2.1 网络结构及单元结构
网络结构设计如图：
这里写图片描述
图1 网络整体结构
核心思想