Press "Enter" to skip to content

用于小目标检测的一个简单高效的网络

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

导读

 

以Tiny YOLOV3的速度达到YOLOV3的效果。

1. 介绍

 

本文提出一种专门用于检测小目标的框架,框架结构如下图:

 

 

我们探索了可以提高小目标检测能力的3个方面:Dilated模块,特征融合以及passthrough模块。

 

Dilated Module:上下文信息对于检测小目标是很重要的,一种方法是重复的上采样来恢复丢失的信息,同时下采样来扩大感受野。但是,这个过程中信息丢失是难免的,受dilated卷积的启发,我们提出了Dilated Module,在不损失分辨率的情况下,提升感受野。

 

特征融合:不同层的特征图包含不同的特征,浅层特征包含细节信息,深层特征包含语义信息,两者对于检测小目标都很重要,所以,对于不同的Dilated Module出来的特征图,我们进行拼接,全部用来检测小目标。

 

Passthrough Module:位置信息对于小目标也是至关重要的,我们提出了Passthrough Module从结合浅层特征图和深层特征图一起得到准确的位置信息。

 

本文的主要贡献:

 

(1)提出了Dilated Module来扩大感受野,提出了Passthrough Module来利用上下文信息和小目标的位置信息。考虑到小目标的特点,用特征融合来同时获取细节特征和语义信息,为了模型加速,使用了1×1卷积来降维。

 

(2)基于VEDAI数据集和DOTA 数据集,我们制作了一个small vehicle数据集,同时,分析了每个数据集的分布。

 

(3)我们在VEDAI数据集和DOTA 数据集上进行了训练和评估,结果表明,我们的网络非常的简单,快速和高效。

 

2. 方法

 

2.1 DILATED模块

 

使用Dilated卷积可以在不降低分辨率的情况下,指数的增加感受野,如图2所示:

 

 

我们使用Dilated卷积作为基本单元,构建Dilated Module,为了重复使用之前层的特征,我们把之前层的特征通过拼接合并起来,然后使用1×1的卷积来降维,模块结构如下:

 

 

2.2 PASSTHROUGH模块

 

为了可以利用到之前的层的信息,我们使用了stride为2的passthrough层,这个passthrough层将特征图从2N×2N×C转换为N×N×4C,过程如图4,左边是passthrough层的输入,右边是passthrough层的输出:

 

 

我们使用passthrough层作为基本单元,构建了passthrough module,具体结构见图5,LayerA表示之前的层,LayerB表示当前的更深一点的层:

 

 

2.3 特征融合

 

本文使用拼接的方式来融合浅层特征和深层特征,框架里有2种特征融合的方法,一种是在不同的Dilated Module之间进行特征融合,此时,特征图的分辨率是相同的,直接拼接就可以。见图6。还有一种是类似passthrough module,中间有降采样的过程,特征图的分辨率已经改变了,如果要拼接的话,就需要进行通过passthrough层或者上采样层。这里选用了passthrough层来进行融合。

 

 

2.4 网络结构

 

我们这个网络的目标是检测小目标,太多的下采样层对于检测小目标并不好,但是,下采样层的个数又直接影响到感受野的大小。所以,这里,我们使用了2个dilated模块(Dilated module A 和 Dilated module B  ),特征图下采样2次,然后和使用passthrough module下采样3次的特征图进行融合,为了加速,每次拼接之后,使用1×1卷积进行降维。最后一层进行结果的预测,尺寸为,这里,为每个网格点预测的框的数量,默认是3。

 

感受野的计算公式:

 

 

如表3所示,使用了2个Dilated卷积的网络,只下采样3次,感受野和下采样4次的网络一样。

 

 

3. 实验

 

我们分析了VEDAI数据集和DOTA 数据集的数据分布:

 

 

 

在VEDAI数据集上,设计了2种实验,实验1是将‘car’, ‘pick-up’和 ‘van’  合并成了1个类别,实验2是使用了原来的9个类别,结果如下,结果明显好于YOLOv2和Tiny YOLOv3,但是低于YOLOv3:

 

 

 

在DOTA数据集上的比较:

 

 

不同网络的速度的比较:

 

 

可以看到,模型速度和Tiny YOLOv3相当,准确率大大超过Tiny YOLOv3,仅仅比YOLOv3略低。

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注