本文共 708 字,大约阅读时间需要 2 分钟。
前言:博主目前的研究课题为“可见光遥感图像目标检测”,研究兴趣是大尺寸高分辨率遥感图像上多尺度目标及小物体检测。为了整理阅读过的文献,梳理研究思路,记录自己的理解感悟,遂开启一个“物体检测系列博客”。 R-CNN系列综述及阅读笔记主要梳理R-CNN的思想及研究进展,细分为概述性文章和论文阅读笔记。
转载请注明文章出处:
CNN高层特征具有丰富的语义信息,低层特征具有较高空间分辨率,研究如何融合不同层之间的特征,是物体检测领域热门的方向。近期很多工作通过融合多层来提升检测和分割的性能,按照融合与预测的先后顺序,分类为早融合(Early fusion)和晚融合(Late fusion)。 早融合(Early fusion): 先融合多层的特征,然后在融合后的特征上训练预测器。这类方法也被称为skip connection。这一思路的代表是Inside-Outside Net(ION)和HyperNet。 晚融合(Late fusion):通过结合不同层的检测结果改进检测性能。这一类研究思路的代表是Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)和Feature Pyramid Network(FPN)等。 本系列文章将梳理基于R-CNN的多尺度改进方法,主要思路是提取多个层的feature进行卷积层的特征融合(即skip connections)或者构建特征金字塔。涉及的模型有MultiPath Network,ION(Inside-Outside Net),HyperNet,PVANET,MS-CNN以及FPN。