DetectoRS：使用递归特征金字塔和可切换的空洞卷积检测目标

许多现代目标检测器通过使用两次观察和思考的机制表现出出色的性能。在这篇论文中，在目标检测的主干设计中探索了这种机制。在宏观层面，提出了递归特征金字塔，反馈连接将直接从检测器头接收梯度的特征返回到自底向上主干的低级。在微观层面，提出了可变换的空洞卷积，它将特征与不同的Atrous率进行卷积，并使用开关函数收集结果。

DetectoRS

✅标题：

DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution（2021年）

✅论文地址：

https://arxiv.org/pdf/2006.02334v1.pdf

✅代码：

https://github.com/joe-siyuan-qiao/DetectoRS

1️⃣递归特征金字塔

（a）特征金字塔：设Bi表示自底向上的backbone的第i个阶段，Fi表示自顶向下的第i个FPN操作。FPN的backbone输出一组特征映射{fi | i = 1，…， S}，其中S为阶段数。例如图2a中的S = 3。∀i = 1，…，S，输出特征fi定义为：

其中x0是输入图像，fS+1 = 0。建立在FPN上的目标检测器使用fi进行检测计算。

（b）递归特征金字塔:Ri表示特征转换，然后将它们连接回自底向上的主干。那么，∀i = 1，…， S, RFP的输出特征fi定义为：

这使得RFP成为一个递归操作。将其展开为一个顺序网络，即∀i = 1，…， S, t = 1，…T,

2️⃣可变换的空洞卷积

上图显示了 SAC 的整体架构，它具有三个主要组件：在 SAC 组件之前和之后附加的两个全局上下文模块。

注：论文原文出自DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution本文仅用于学术分享，如有侵权，请联系后台作删文处理。

最后：

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！