COCO mAP 53.3!骨干网合成算法CBNet带来目标检测精度新突破


以下是作者信息:

作者来自北京大学和Stony Brook University。

一个好的骨干网可有效提升目标检测精度。

但设计一个好的骨干网却并非易事,那能不能对现有骨干网进行更好的特征融合呢?

CBNet的核心就是使用现有骨干网合成新的骨干网,合成的方法很简单,就是对于相同类型的多个骨干网,进行信息的跨层或同层传播。

下图即为CBNet算法图例:

前一个骨干网的结果回传到下一个骨干网相同层之前,使用最后一个Lead Backbone进行检测或分割。K 代表组合骨干网的个数。

下图为作者在COCO test-dev数据集上的实验,Single代表单模型,DB为对两个骨干网进行合成,TB为三个。

可见,CBNet有效改进了目标检测和实例分割的精度。

下图为与其他state-of-the-art算法相比较,CBNet 加持下的Cascade Mask R-CNN取得了COCO数据集上的精度新高,而且是每个评价指标下都是最好的。

作者指出,根据不同特征传播的方式,还有其他可能的骨干网合成方法,如下图:

并对不同的合成方法进行了实验:

发现合成方法(a)即AHLC是较好的方法。

合成骨干网数量是不是越多越好呢?如下图,作者研究发现,数量超过3个后,精度改进就不再明显了。

很显然这种方法会使得速度变慢,作者实验中,FPN+ResNeXt为 8 fps,两个backbones 合成后为5.5FPS。可能对于打比赛,这个方法更有意义。

论文地址:

https://arxiv.org/abs/1909.03625

代码地址:

https://github.com/PKUbahuangliuhe/CBNet

更多阅读:

继往开来!目标检测二十年技术综述

目标检测中的不平衡问题综述


目标检测交流群

(0)

相关推荐