空间金字塔池化_详解目标检测新网络 DetectoRS：54.7 AP，特征金字塔与空洞卷积的完美结合...

极市平台（微信公众号ID：extrememart）：专注计算机视觉前沿资讯和技术干货。本文由极市平台首发，转载需获授权。

论文地址：https://arxiv.org/abs/2006.02334代码地址（基于mmdetection实现）：https://github.com/joe-siyuan-qiao/DetectoRS

本文是 谷歌团队提出的最新的目标检测方案，并且已经完全开源。整个算法将递归特征金字塔（RFP,Recursive Feature Pyramid）和可切换的空洞卷积（SAC，Switchable Atrous Convolution）结合在一起，在COCO test-dev目标检测任务中，达到了54.7% box AP，相比之前提升1.4 AP，性能强悍。

简介

目标检测一直都是计算机视觉中最值得关注的领域，从经典的两阶段（论文中将其概括为两次looking和thinking机制）方法Faster RCNN、单阶段的YOLO系列、SSD系列，到近段时间性能卓越的EfficientDet、CBNet、ResNeSt等，可以看出，通过backbone结构的改进来提升目标检测的性能是目前涨点和研究的新热点，值得大家关注与创新。

而在本文中，DetectoRS同样从backbone的角度出发，对目标检测性能进行强化，具体来说有两大部分的创新：

1、首先，DetectoRS在宏观层面上，提出了递归特征金字塔（RFP，Recursive Feature Pyramid），它将特征金字塔网络（Feature Pyramid Networks）的额外反馈连接加入到在自下而上的骨backbone层中。

2、其次，DetectoRS在微观层面上，提出了可切换的空洞卷积（SAC，Switchable Atrous Convolution），它以不同的空洞率（rate）对特征进行卷积，并使用switch函数合并卷积后的结果，SAC可以实现从标准卷积到Contional卷积的有效转换，而无需更改任何预训练模型。

将递归特征金字塔（RFP，Recursive Feature Pyramid）和可切换的空洞卷积（SAC，Switchable Atrous Convolution）合并形成了DetectoRS，大大增强了目标检测的性能。具体来说，在COCO test-dev数据集上达到了54.7% box AP的SOTA性能，同时在COCO实例分割任务上达到47.1% m