概述
- 最近在看一些基于anchor-free方法的目标检测论文,首先看的是CornerNet, 该方法的backbone network就为hourglass module
- hourglass module(沙漏模块)结构,可以描述为宽窄宽的样子,如下图:
- 一个hourglass module首先经过一系列卷积层和池化层下采样,然后再经过一系列上采样层和卷积层来上采样;但是在max pooling过程中,丢失了特征的一些细节信息,因此引入了一系列的skip layer,加和到上采样特征中。
- hourglass module好处:可以在一个单一统一结构中,捕捉到global和local的特征。
目标检测下,相关hourglass module论文
因为在看一些目标检测相关的论文,就整理了一下目标检测下用到hourglass network的相关论文:
DSSD : Deconvolutional Single Shot Detector
- 通过deconvolution layer来增加目标检测中large-scale context,尤其对于检测对象为小的物体时。
- 具体结构如下:
(CVPR 2017)Reverse connection with objectness prior networks for object detection
- 主要思路:将后面卷积层特征通过转置卷积与前一层特征做融合操作,从而使得先前卷积提取到的特征有着更多的语义信息
- 要说明的一点:SSD在检测小物体效果要低于检测大物体,其中有一点原因是只利用了前面固定层的特征,使得得到的语义信息很有限。
- 整体结构如下:
(CVPR 2017) Feature pyramid networks for object detection
- 影响力深远的特征金字塔结构,按照先宽窄宽的思路来看,也算是一种hourglass module
- 整体结构如下:
(ECCV 2018) CornerNet: Detecting Objects as Paired Keypoints
- anchor-free思想,backbone采用hourglass module
- 整体结构如下:
目前就总结这些,后续有新的理解再更新,有啥错误,也请不吝赐教。