Object Detection in Video with Spatiotemporal Sampling Networks

发表在ECCV2018上，提出一种用可变形卷积做特征对齐的方法。

　　与FGFA十分相似，思想都是单帧不够，多帧来凑，利用相邻帧的特征来对当前帧进行增强，以此来达到更好的检测效果。不同点在于FGFA是利用光流来对两张图片的特征进行对齐，

这篇文章采用的是可变形卷积来做特征对齐。

　　首先将当前帧和相邻帧经过一个特征共享的特征提取网络得到各自的feature map，然后把两个feature map在chanel为上拼接，接着做一个可变形卷积，在此过程中得到第一个offset，卷积

的结果作为第二个offset用于和临近帧特征做可变形卷积，卷积结果作为对齐后的特征，之后按照FGFA一样的方式进行加权求和，得到增强后的特征。同FGFA相比，这篇文章利用可变形卷积的方法

对相邻两帧的特征做了隐式对齐，虽然不如光流的方法那么直观，但是效果也还可以。根据文章的实验结果，这种方法精度比FGFA高了0.1。但是没有给出速度的比较，应该比FGFA略快一些，没有用光流网络。

 

转载于:https://www.cnblogs.com/hf19950918/p/10588696.html