RFB Net算法笔记

最新推荐文章于 2024-08-16 18:09:32 发布

AI之路

最新推荐文章于 2024-08-16 18:09:32 发布

阅读量3.5w

点赞数 13

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/81556769

版权

RFB Net是一种在ECCV2018上提出的目标检测算法，它在SSD网络基础上引入Receptive Field Block (RFB)，以增强特征提取并保持快速检测速度。RFB结构借鉴Inception模块，结合dilated卷积，扩大感受野。实验表明，RFB Net在PASCAL VOC2007和COCO数据集上实现了良好的准确性和效率平衡。

摘要由CSDN通过智能技术生成

论文：Receptive Field Block Net for Accurate and Fast Object Detection
论文链接：https://arxiv.org/abs/1711.07767
代码链接：https://github.com/ruinmessi/RFBNet

这篇是ECCV2018关于目标检测的文章，提出了RFB Net网络用于目标检测，可以在兼顾速度的同时达到良好的效果。该网络主要在SSD网络中引入Receptive Field Block (RFB) ，引入RFB的出发点通过模拟人类视觉的感受野加强网络的特征提取能力，在结构上RFB借鉴了Inception的思想，主要是在Inception的基础上加入了dilated卷积层（dilated convolution），从而有效增大了感受野（receptive field）。整体上因为是基于SSD网络进行改进，所以检测速度还是比较快，同时精度也有一定的保证。

这篇文章最主要的内容是引入了RFB结构，RFB的效果示意图如Figure2所示，其中中间虚线框部分就是RFB结构。RFB结构主要有两个特点：1、不同尺寸卷积核的卷积层构成的多分枝结构，这部分可以参考Inception结构。在Figure2的RFB结构中也用不同大小的圆形表示不同尺寸卷积核的卷积层。2、引入了dilated卷积层，dilated卷积层之前应用在分割算法Deeplab中，主要作用也是增加感受野，和deformable卷积有异曲同工之处。在Figure2的RFB结构