RefineDet算法笔记

最新推荐文章于 2025-02-23 19:09:57 发布

AI之路

最新推荐文章于 2025-02-23 19:09:57 发布

阅读量3.6w

点赞数 21

分类专栏：深度学习计算机视觉目标检测-object detection

本文链接：https://blog.csdn.net/u014380165/article/details/79502308

版权

RefineDet是CVPR2018提出的一种目标检测算法，它融合了SSD的高效和RPN、FPN的精度提升。通过ARM模块进行初步框回归与负样本过滤，TCB实现特征融合，ODM模块则进行精细化检测，尤其适合小目标检测。实验结果显示，RefineDet在保持实时性的同时，取得了优于同类算法的检测效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：Single-Shot Refinement Neural Network for Object Detection
论文链接：https://arxiv.org/abs/1711.06897
代码链接：https://github.com/sfzhang15/RefineDet

RefineDet是CVPR2018的论文，个人觉得是一篇很不错的文章，大致上是SSD算法和RPN网络、FPN算法的结合，可以在保持SSD高效的前提下提高检测效果（实验效果提升挺明显）。第一眼看到这篇文章就让我想起了RON，毕竟都是想做one stage和two stage的object detection算法结合。RefineDet的主要思想：一方面引入two stage类型的object detection算法中对box的由粗到细的回归思想（由粗到细回归其实就是先通过RPN网络得到粗粒度的box信息，然后再通过常规的回归支路进行进一步回归从而得到更加精确的框信息，这也是two stage类型的object detection算法效果优于one stage类型的一个重要原因）。另一方面引入类似FPN网络的特征融合操作用于检测网络，可以有效提高对小目标的检测效果，检测网络的框架还是SSD。

Figure1是RefineDet网络的结构图（直观的特点就是two-step cascaded regression），主要包含三个部分：anchor refinement module (ARM) 、object detection module (ODM)、transfer c