标签：检测 尺度 图像 Tiny 目标 context faces Finding 模板
论文链接：https://arxiv.org/abs/1612.04402
前言
这篇论文收录在CVPR2017，距今已经两年多了，今天上英语课发现带了这篇论文就看了起来，觉得还挺有意思就仔细看了一下，网上翻译总结较少，推荐知乎大佬对这篇文章的总结（调侃）链接。
作者公开了他们的代码，是用matlab语言写的，看了一下实在不知道写了什么（自己太渣）。还好有另一位大佬用pytorch复现了一版，代码写得很整洁，复现得比较完整。撸了一遍代码，已经开始训练，最后看测试结果与原文相差多少。
tiny-face pytorch 实现：https://github.com/varunagrawal/tiny-faces-pytorch
作者没有给使用说明，但是代码就是最好的doc，一看就懂。
主要思想
- multiscale modeling: 多尺度建模，特征图金字塔（不是FPN）+ 图像金字塔（稀疏的）；
- fovel descriptors：不知道怎么翻译，实现上就是浅层特征+深层特征作为最后的特征；
- context: 上下文信息对于找到小的脸比找大脸更重要，所以将context信息包含进来。
论文咋看非常高深，但整体实现却非常简单，给我的感觉这篇文章更像一个 tech report，然后在公开数据集上表现效果很好就中了。
但是文章对于小尺度图像检测问题的分析还是做得非常好的。看了后可以对小尺度目标检测问题有更好得认识。
看图说话
好的论文，一图胜万言。
图 1
第一张图，没什么好说的，秀就完事。
图 2
第二张，介绍了几种解决多尺度的方式，左边糊的脸代表模板（其实就是prior box 或者 anchor box），右边是图像金子塔，经典的多尺度解决方法。本文采用的是（d）多个尺度的模板加图像金子塔，(d) 就是foveal descriptor展示，后面图细说。
图 3
第三张，左边图像说明的是人要检测出小的脸需要额外的context信息，而大的脸不用，中间列是成比例方法（context框是跟人脸大小成比列的，这里3倍），第三列是固定的context框。最后一个是统计人对于不同情况的识别准确率。可以看到固定尺寸的context框对识别小目标更好。
图 4
第四张，可以说明两个点，第一，特征融合，res2+res3+res4+res5， 浅层特征特征更多小目标和细节信息，融合后对检测小目标有益； 第二， 顺便把context也获得了，context其实就是大的感受野如这里的291*291， 服气。
图 5
第五张，是两张图的尺度处理方法，可以看出小的目标，将原图放大两倍后用大模板检测率更高（74.8% 比68.5%），而对于大目标缩小后用小模板检测的目标检测率更高（94.2%比88.6%）。下面这张图统计了ImageNet上的表现情况。
图 6.
第六张，横坐标是经过聚类得到的25个尺度，纵坐标是用这个些尺度做为模板尺度在不同的输入scale下进行预测的精度。
图 7 模板去冗余方法
由于图6 中的模板存在冗余，作者给出了一种去除冗余的方法，去除后效果还提升了。图7 所示，横纵坐标的定义依然如图6， 即做出了图6的外包曲线（每个阶段AP最大的段），蓝色代表0.5X、橙色代表1X、黄色代表2X，分别位于large、medium、small 尺度区。去冗余的方法是：取出A段的模板和B段的模板，图像使用特征金子塔（0.5，1，2），则可以大概覆盖整个尺度范围。但是这一点在pytorch实现中似乎没有做。
图 8
这张图真的不是很好，会有点误导人。最开始我以为是同时输入一个图像金子塔进行预测和训练，后来看了源码和论文的附录后才知道，其实使用多尺度的方式训练，分别以三分之一的概率进行三个尺度的变化，送进网络进行训练，预测的时候可以选择使用多尺度（浪费性能）或者不适用多尺度（小目标检测肯定会差）。
整体的框架设计与yolov2和RPN（faster-rcn中的region proposal network）类似，是one-stage的检测方法，不同的是加入了一些scale specific的设计（anchor box的选择）和多尺度特征的融合，再辅以图像金子塔，最后对小目标检测效果显著。具体的实现细节都是常规的object detection 那一套。
实验结果
可以看到文章的主要贡献在hard部分也就是小目标检测。这也与文章所要解决的问题。
总结
- 作者针对小尺度目标检测的相关分析做的很完善。对于刚入门图像检测的读者挺不错的。
- 简单问题复杂分析，作者还是很厉害的。
标签：检测,尺度,图像,Tiny,目标,context,faces,Finding,模板 来源： https://www.cnblogs.com/walter-xh/p/10479913.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。