【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。