CBNet: 一种用于目标检测的复合主干网络架构

Jul, 2021

CBNet: 一种用于目标检测的复合主干网络架构

CBNet: A Composite Backbone Network Architecture for Object Detection

Tingting Liang, Xiaojie Chu, Yudong Liu, Yongtao Wang, Zhi Tang...

TL;DR本文提出 CBNetV2，一个新颖灵活的骨干网络框架，通过在现有开源预训练骨干网络的预训练微调范式下构建高性能检测器，实现多个相同骨干网络的组合、高级别和低级别特征融合及逐渐扩展感受野以更高效地执行目标检测。本文提出的训练策略为 CBNet 检测器提供了更好的辅助监督，在不额外预训练复合骨干的情况下，CBNetV2 可用于各种骨干网络（基于 CNN 还是基于 Transformer）和大多数主流检测器的 head designs（单阶段 vs. 两阶段、锚点基 vs. 无锚点基）。实验结果表明，与简单地增加网络深度和宽度相比，CBNetV2 引入了一种更高效、有效且资源友好的方法来构建高性能骨干网络。尤其是，我们的 Dual-Swin-L 在单模型和单尺度测试协议下在 COCO test-dev 上实现了 59.4％的 box AP 和 51.6％的 mask AP，比 Swin-L 达到的最新成果（57.7％的 box AP 和 50.2％的 mask AP）显著更好，同时训练时间表被缩短了 6 倍。通过多尺度测试，我们将当前最佳单模型结果推向了 60.1％的 box AP 和 52.3％的 mask AP，而无需使用额外的训练数据。

Abstract

Modern top-performing object detectors depend heavily on backbone networks, whose advances bring consistent performance gains through exploring more effective network structures. In this paper, we propose a novel and flexible backbone framework, namely cbnetv2, to construct high-perfor

object detection backbone network cbnetv2 composite connections training strategy

发现论文，激发创造

CBNet：一种用于目标检测的新型复合骨干网络结构

本文提出了一种名为 CBNet 的复合骨干网络，通过组合相邻骨干的复合连接来形成更强大的骨干，可以显著提高基于 CNN 的检测器的性能，并且可以轻松地整合到大多数最先进的检测器中并显著提高它们的性能。

Sep, 2019

DetNet：一种用于物体检测的骨干网络

本文提出了一个新的针对目标检测任务的骨干网络 DetNet，该网络特别设计用于目标检测任务，并包括针对传统分类网络的额外层，同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。

Apr, 2018

DetNAS：目标检测中的骨干网络搜索

本文提出了一种名为 DetNAS 的方法，使用神经结构搜索技术来设计用于目标检测的骨干网络，实验证明通过 DetNAS 搜索得到的网络在 COCO 数据集上的性能要优于手工设计的网络。

Mar, 2019

SpineNet：学习尺度置换骨干网络以进行识别和定位

本文提出了 SpineNet，这是一个具有尺度置换中间特征和跨尺度连接的主干网络，在神经架构搜索的目标检测任务中学习。它在各种尺度上使用类似的构建块进行建模，而使用的 FLOPs 较少。在各种检测器上，SpineNet-190 单模型获得了远高于之前检测器的 52.5% AP 结果，并且转移能力良好，在分类任务中表现出色，相较之前还获得了 5% 的上升。

Dec, 2019

CSPNet: 一种新的骨干网，可增强 CNN 的学习能力

本文介绍了一种名为 Cross Stage Partial Network (CSPNet) 的深度神经网络，旨在通过减少多余的梯度信息占用，降低网络推理的计算资源消耗。该方法可以与 ResNet、ResNeXt 和 DenseNet 等不同类型的深度神经网络结构相兼容，且实验结果表明，该方法在 ImageNet 和 MS COCO object detection dataset 上的精度和推理速度优于当前的最佳技术。

Nov, 2019

CenterNet++ 物体检测

本文提出的 CenterNet 方法使用 keypoint triplet 创新的实现了无 anchor 的 bottom-up 目标检测，相比于传统 top-down 方法具有更高的召回率和竞争力，并在多个数据集上取得了最优的性能表现。

Apr, 2022

ThunderNet：面向实时通用物体检测

本研究针对移动平台上实时通用物体检测这一计算机视觉任务存在的计算成本巨大的问题，调查了两阶段检测器在实时检测方面的有效性，并提出了一个名为 ThunderNet 的轻量级两阶段检测器，相对于单阶段检测器，仅使用了 40％的计算且取得了优越的性能，在 ARM 平台上实现了 24.1fps 的实时检测。

Mar, 2019

一种能耗和 GPU 计算高效的实时物体检测主干网络

本文提出了一种名为 VoVNet 的新的神经网络结构，用于目标检测任务，相对于 DenseNet 和 ResNet 实现更好的速度和能量效率，该结构采用一次聚合技术，有效减少了内存访问成本和计算开销，性能得到了验证。

Apr, 2019

PVANET: 实时目标检测的深度轻量级神经网络

本文介绍了如何在最小化计算成本的同时，通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”，采用了一些基本块，包括拼接 ReLU、Inception 和 HyperNet，在 VOC2007 上达到 83.8％的 mAP，VOC2012 为 82.5％mAP（第 2 名），仅使用 Intel i7-6700K CPU 单核时，每张图像仅需 750ms，在 NVIDIA Titan X GPU 上为 46ms / 图像，其网络与 ResNet-101 相比，计算成本只需 12.3％。

Aug, 2016

BasisNet：高效推理的两阶段模型合成

本文提出了 BasisNet，它采用轻量级模型和两阶段模型合成策略，结合了高效神经网络体系结构、条件计算和早期终止，具有高效且精确的性能。在 ImageNet 分类基准测试中，使用 BasisNet 的 MobileNets 作为骨干网络，相比于其他基准测试，BasisNet-MobileNetV3 获得了显著的精度 - 效率平衡优势，仅需 290M 的乘加操作即可达到 80.3% 的 top-1 准确率，而且在不降低准确率的情况下，平均成本可进一步降低至 198M MAdds。

May, 2021