HyperNet: 走向特征融合，提高小物体检测精度

目录

1.背景：

2.结构图：

3.优点

4.加速策略：

5.产生优异效果：

6.轻量化方法：

---

1.背景： 

        卷积神经网络的特点是，深层的特征体现了强语义特征，有利于进行分类与识别，而浅层的特征分辨率高，有利于进行目标的定位。原始的Faster RCNN方法仅仅利用了单层的feature map（例如VGGNet的conv5-3），对于小尺度目标的检测较差，同时高IoU阈值时，边框定位的精度也不高。 在2016 CVPR上发表的HyperNet方法认为单独一个feature map层的特征不足以覆盖RoI的全部特性，因此提出了一个精心设计的网络结构，融合了浅、中、深3个层次的特征，取长补短，在处理好区域生成的同时，实现了较好的物体检测效果。

论文地址：

HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection (cv-foundation.org)

2.结构图：

核心部分结构图：