论文:DSOD: Learning Deeply Supervised Object Detectors from Scratch
论文链接:https://arxiv.org/abs/1708.01241
caffe代码:https://github.com/szq0214/DSOD.
这是一篇ICCV2017的文章,我觉得非常有意思,因为DSOD(Deeply Supervised Object Detector)算法并不是在mAP上和其他检测算法做比较,看谁的算法更有效或者速度更快,而是从另一个角度切入说明fine-tune和直接训练检测模型的差异其实是可以减小的,也就是说训练一个检测模型可以不需要大量的数据和预训练好的模型。这篇文章的核心内容如果用一句话概括那就是:DSOD可以从0开始训练数据,不需要预训练模型,而且效果可以和fine-tune的模型媲美。
所以如果看到这里你也和我一样被这个算法所吸引,那么就继续往下看吧。
DSOD是在SSD算法的基础上进行改进的,可以简单理解为SSD+DenseNet=DSOD(作者文中也曾尝试从0开始训练region proposal based的检测算法比如Faster RCNN,R-FCN等,发现模型很难收敛;而proposal-free的检测算法