论文:ThunderNet: Towards Real-time Generic Object Detection
论文链接:https://arxiv.org/abs/1903.11752
最近几年目标检测算法确实发展非常迅速,整体上看还是分为2条路线,一条路线是效果更好,另一条路线是速度更快,虽然也有一些算法在二者之间有比较好的平衡,但是整体上还是有一定侧重,而这篇博客要介绍的ThunderNet重点在于速度快。ThunderNet是旷视的作品,整篇论文读下来思路很清晰也很自然,同时实验也比较充分,说服力较强,因此值得读一读。
设计更加快速的目标检测算法是伴随着移动端AI的不断发展所必须要解决的问题,个人认为目前这方面的做法主要有3种:
1、直接用更快速的分类算法作为特征提取网络。轻便快速的分类网络发展比较成熟(比如MobileNet系列、ShuffleNet系列等),而目前目标检测算法常用的特征提取网络是ResNet系列,因此最直接的做法就是将特征提取网络替换成速度更快的分类网络,这样就能取得速度上的提升,比如MobileNet-SSD等。
2、用模型加速压缩算法对原有的目标检测算法做加速。这方面其实偏工业化,算法层面的创新不会有很多,因为通过结合现有的模型加速压缩算法和目标检测算法即可实现。
3、重新设计网络结构,包括特征提取和检测网络。这部分和第一种最大的差别就是设计更适合目标检测任务的特征提取网络,而不是直接用图像分类算法的网络,比如Light Head R-CNN(也是旷视的作品)。
ThunderNet就是第3种类型,算法速度和效果对比如Figure1所示ÿ