[论文笔记]Speed/accuracy trade-offs for modern convolutional object detectors

论文链接：https://arxiv.org/pdf/1611.10012.pdf

这篇论文是由谷歌发表的，主要在速度和准确性两方面来权衡目标检测算法的性能，主要比较了三个经典的目标检测算法（Faster-rcnn, SSD, R-FCN），这三种算法分别使用六种特征提取器来实现检测( VGG-16, Resnet-101, Inception v2, Inception v3, Inception Resnet (v2), MobileNet )，使用开源框架Tensorflow。

三种算法原理图



虽然在SSD和R-FCN论文中都讲到无论是在速度上还是在准确度上都要比Faster-rcnn要好，但是在同样的网络结构，训练方法等条件下，该论文证明其实还是Faster-rcnn的准确性要好，但是速度方面却不占优势。看下图



上图可以看出还是Faster-rcnn（圆圈）的mAP比较高，但是速度却是慢了些。

下图展示的是不同算法对不同大小物体（large,medium,small）的检测精度,可以看出大目标的检测精度就是比小目标的检测精度要高，Faster-rcnn的效果也最好（多数情况下）



在特征提取器比较中，Inception Resnet (v2) 结构是效果最好的，看下图



可以看出没有一种算法可以在速度和准确性上都做的很好，本篇文章给出了根据自己的目标选择的依据（看中速度还是看中准确性还是两者兼顾），下面是几张效果图