【论文笔记】：Learning Rich Features at High-Speed for Single-Shot Object Detection

&Title:

ICCV 2019

• Learning Rich Features at High-Speed for Single-Shot Object Detection
• 代码

&Summary

作者设计了一个one-stage检测框架，它结合了微调预训练模型和从零开始训练的优点。该框架包括一个预训练过的标准backbone网络，一个轻量级的从零开始训练的辅助网络。此外，作者认为通常使用的自顶向下的金字塔表示只关注于将高级语义从顶层传递到底层，因此在检测框架中引入了一个双向网络，它可以有效地传递中低层次和高层次的语义信息。

提出的方法相比baseline在AP指标上分别提高了7.4%和4.2%。在COCO测试集上，固定300×300输入，本文提出的以ResNet为backbone的检测器在单级推理方面超过了现有的单级检测方法，AP达到了34.3 ，在一个Titan X GPU上时间为19毫秒，同时兼顾了精度和速度。

one-stage目标检测有通用的策略：利用一个经过ImageNet预训练的backbone完成分类任务，利用一个自上而下的特征金字塔表示形式处理尺度变化问题。

&Research Objective

主要研究目标是提升小目标检测精度

• 引入“从零开始”训练的思想，以减少分类和定位之间的任务差距
• 引入双向网络，有效传递中低层次和高层次的语义信息

&Problem Statement

• 小目标检测的难点
  小目标检测是一个具有挑战性的