FSSD_ Feature Fusion Single Shot Multibox Detector 论文笔记

background

任务：利用特征融合，增强SSD系类目标检测的性能
关键词：Fusion feature
​

Introduction

SSD没有将特征融合考虑进去，本文作者通过实验，确定合适的特征融合方式，使得模型的性能得到了提升，但速度只有下降一点点。


文章主要是在SSD的基础上，在预测输入的feature maps之前，利用不同层次的特征金字塔，进行了特征融合，得到了语义信息更加完全的feature maps，然后进行边框和分类的任务的执行
​

论文作者主要将conv3_3, conv4_3, fc _7和conv7_2进行特征融合（实验发现没有conv3_3的效果更好），比较了concatenate和sum的实验效果的不同，对生成的融合特征进行BatchNorm作为预测的feature maps。
​

Model

整体的模型

特征金字塔的选择

本文选择的使（e）的结构
​

特征融合

$x$是要进行特征融合的feature maps
​

$\tau$是特征的融合方式，首先进行conv 11的运算，然后为得到3838的feature maps，分辨率高于3838的选择max-pooling，小于3838的选择bilinear进行上采样。
​

${\varphi }_f$是融合方式，备选的有concat和sum
​

${\varphi }_p$是生成feature maps

Pyramid feature extractor design

实验发现（b）的预测模块有着更好的表现
​

Experiments

Learn from paper

​

利用特征融合可以提升目标检测的性能。
​

​

​