目标检测--Accurate Single Stage Detector Using Recurrent Rolling Convolution

Accurate Single Stage Detector Using Recurrent Rolling Convolution

CVPR 2017 商汤科技关于目标检测的文献

Code: https://github.com/xiaohaoChen/rrc_detection
本文直观的理解就是对SSD 嵌入 contextual information 使其可以同时检测大目标和小目标。

这里 single stage detectors 就是一个过程就搞定了检测，相对于 R-CNN 系列的 two stage： 候选区域提取+分类



本文首先实用数学公式分析了一下 SSD 检测存在的问题

SSD heavily relies on a strong assumption to perform well

这个强假设就是 每一层特征 对于检测目标是足够复杂的 ，包含的信息是够用的。

every Φ, by itself, has to be sophisticated enough to support the detection and the accurate localization of the objects of interest

这里的 sophistication 满足一下三点：

1）特征的尺寸足够大，包含足够的目标细节

2）将原始输入图像映射到当前特征的 特征提取函数足够的deep，这样可以得到 合适的 high level abstraction ，得到目标的抽象信息

3）特征层含有合适的contextual information，基于这些信息可以解决 overlapping objects, occluded objects, small objects, blur or saturated objects

这里我们提出了一个 Recurrent Rolling Convolution



我的理解主要是用 Recurrent Rolling Convolution 来提取合适的 contextual information





KITTI
测试数据检测结果：



虽然是 single stage detector, 但是这个网络的速度应该不是很快。做不到实时检测