Speed/accuracy trade-offs for modern convolutional object detectors

【转载】Speed/accuracy trade-offs for modern convolutional object detectors

原文博客链接：https://blog.csdn.net/qq_29133371/article/details/56665535

1. 开头

对于本篇论文，主要起一个分析的主流的几种目标检测框架各方面性能的目的。
所以略看论文，直接上分析图。

2.结论

1：Accurancy VS time

从上图可以看出SSD，R-FCN在速度上要远远超过Faster R-CNN，但是在精度上Faster R-CNN领先，R-FCN紧随其后。但是Faster R-CNN可以通过设置region proposal来降低处理速度，如Faster R-CNN w/ResNet 50 poposal。可以参考下表：

速度选择：SSD，R-FCN，Faster R-CNN w/Resnet 101

精度选择：Faster R-CNN

2.：The effect of thefeature extractor

从上图可以看出，Faster R-CNN与R-FCN对于特征提取器的效果比较敏感，SSD则没有什么大的影响。

特征提取器敏感：Faster R-CNN，R-FCN

特征提取器不敏感：SSD

3：The effect ofobject size

从上图可以看出，三种基础架构对于大目标检测准确率均比较高，总体来说SSD在大目标检测上表现的比较好，但是在小目标检测上均比较低，SSD最低。

大目标：首选SSD。Faster R-CNN也可以。

小目标：Faster R-CNN，R-FCN

4：The effect ofimage size

此图比较了分辨率对于检测器的影响，从上图可以看出，图像分辨率增大后，Faster R-CNN与R-FCN检测率均提高，而SSD没有太大改变。结合Fig4，说明了增大图片分辨率对于SSD架构来说，小目标检测还是很差。至于R-FCN与Faster R-CNN增大图片分辨率大目标与小目标检测率均提高，还没看出来！但是作者看出来了！

5：The effect of thenumber of proposals

从上图（a）可以看出，当proposal 设置为10的时候mAP离最高的mAP:35也相差了不到5个点（proposal=300），最佳的是在proposal=50的情况。图(b)也表现出了同样的trade-off。

6：FLOPs analysis

从图7再次印证了SSD的处理速度要比其它两个架构的快很多。从图8看出当FLOPs对等的情况下Inception与MobilNet这两种特征提取器处理速度要远比其它提取器要高。

7：Memory analysis

从图9图10可以看出，MobileNet架构与Inception架构相比较其它几个，同等条件下需要的内存较少，尤其是MobileNet架构。

8: Good localization at .75 IOU means good localization at all IOUthresholds

从图11看出，当检测器在较大的IOU（.75）上表现出较差的性能的时候，往往在小的IOU(.5)上表现出同样的性能。这两个IOU较好的拟合了IOU在0.5~0.95上的情况，并且在IOU=0.75的时候曲线表现的稍微紧凑些。