目标检测（Object Detection）—— RefineDet

一、概述

• RefineDet自称是结合了两阶段方法和一阶段方法优点的一阶段方法。但是在我看来，RefineDet更像是一个两阶段的方法。
• RefineDet基于SSD，主要由两个模块构成：①ARM(anchor refine module)，用于滤除置信度非常高的负类样本 ②ODM(object detection module)，使用ARM模块得到的anchor完成目标的检测。
• RefineDet还借鉴了FPN中将高层特征与低层特征融合的思想。

二、网络结构

2.1 ARM模块

• 就是个SSD框架，只不过完成的是anchor boxes的二分类和边框回归。在这个模块中，会完成负类anchor boxes的粗筛，将得分超过某一阈值的负类anchor boxes丢弃，剩下的anchor boxes送入后续模块中

2.2 TCB结构

• 通过该结构将ARM模块中的特征迁移至ODM模块中，示意图如下：

• 对ARM中每层特征，先经过两次卷积操作，与下一层特征反卷积后的结果相加，再经过一次卷积操作，消除混叠噪声。

2.3 ODM模块

• 也是个类似SSD的框架，接受从TCB结构得到的特征和从ARM模块得到的anchor boxes，对这些anchor boxes完成多分类和边框回归
• 采用了OHEM(Online hard example mining)技术

2.4 小结

• 论文说这是一阶段的方法，主要是因为训练的时候只训练一个网络就行了，但是从结构上看，其实是个二阶段的做法

三、相关实验

3.1 PASCAL VOC 数据集

3.2 COCO数据集

3.3 消融实验

四、总结

• RefineDet并没有提出新的令人耳目一新的想法，而是将已有的结构、方法进行了组合。这也值得我们学习：如何将现有技术进行合适的组合。