PVANet论文阅读笔记

论文:Lightweight Deep Neural Networks for Real-time Object Detection
Github:PVANet
C++ Demo :PVANet_CPP

Abstract

许多目标检测问题中,算法的运行速度和精度同等重要。本文主要针对的就是算法的运算速度提升问题。作者提出了一个轻量级的网络,取得了state-of-the-art的效果。网络基于基本的设计原则:more layers with less channels. 此外,作者利用C.ReLU和Inception structure减少网络的冗余。

Introduction

Network compression and decomposition of convolution 表明:现在的网络结构是高度冗余的,所以减少冗余就成为了一种提升网络运行速度最直接的方式。作者提出的网络结构概要:

  • 基于more layers with less channels的基本原则。
  • 在网络初始几层采用C.ReLU,在后面几层采用Inception structure.
  • 应用多尺度特征级联maximize the multi-scale nature of object detection tasks.
  • 权重衰减策略采用plateau detection(一定迭代次数内loss不再下降,则将学习速率降低常数倍)
    PVANet通过batch normalization, residual connections可以实现高效的训练。

PVANet结构介绍

PVANet网络可以分成两部分来看:特征抽取网络和检测网络。

1. 特征抽取网络

网络的总体结构如下所示,KxK的C.ReLU表示1x1 - KxK - 1x1的卷积层的堆叠:


PVANet特征提取部分

特征提取网络由两个building block组成,即mC.ReLU和Inception structure:


PVANet-building-block
PVANet-building-block

特征抽取网络有以下三个关键点:

  • Modified C.ReLU
    C.ReLU的设计思路来源于对CNN中的activation patterns的观察。具体什么意思没太看懂。总之作者在C.ReLU的基础上添加了一个bias layer,这使得两个相关的滤波器可以有不同的bias value。
  • Inception structure
    作者发现Inception structure在捕获图像中的小目标,大目标方面是最高效(计算方面高效)的手段之一。
    为了捕获图像中的大目标,需要足够大的感受野,这个可以通过堆叠3x3的滤波器来达到。但是为了捕获小目标,则需要小一点的感受野,1x1的卷积核正好合适。可以避免大卷积核造成的参数冗余问题。基于上述两点,Inception structure用于目标检测是非常合适的。
  • Deep network training
    网络训练用了以下几个技巧:
     1.在Inception模块加入残差连接(residual structures with pre-activation)
     2.Batch normalization
     3.权重衰减策略采用plateau detection

2.目标检测网络

在这部分,作者基本沿用了Faster R-CNN的框架,PVANet总体结构如下所示:
![PVANet网络结构](http://upload-images.jianshu.io/upload_images/1794530-b92f7ff18335b393.png?
imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)

值得一提的是,作者输入RPN的feature maps只有128个,因为作者发现用128个效果和用512个是一样的,精度并没有损失。但是作者没有给出为什么,个人觉得应该是特征图冗余的原因吧,大部分网络都是有很多优化空间的。
此外,feature map 经过ROI之后产生一个6 x 6 x 512的张量。之后通过4096-4096-(21 + 84)的全连接层输出结果。正是因为这里用的是全连接层,所以给后面模型进一步压缩(且不损失精度)提供了机会。这也是Github所提供的compressed模型的由来。

实验结果

模型训练

模型在ImageNet 2012分类数据库预训练,中间有一些裁剪啦,学习速率调整之类的,此处不再赘述。
模型的fintuning训练在目标检测数据库上训练,具体可以看论文。
此外,作者还利用了Bounding box投票得到了PVANet+模型,以及优化前面所说的全连接层得到了PVANet compressed。

实验结果

mAP基本上和state of art的网络差不多啦,而且还是像题目所说的,轻量级,实时的网络!

结论

本文提出了一个轻量级的网络,取得了state of art的结果。此外,本网络结果的设计完全独立于network compression and quantization. 因此,还可以进一步利用最近的模型压缩技术来提升性能。例如,基于现有网络应用truncated SVD就可以实现显著的运行时间提升!

总的来说,作者的创新着重于特征提取部分,使用了时下各种流行的技术。Batch Normalization, C.ReLI, Inception structure, Residual connected。相比与R-FCN,SSD这些引入新的检测网络是完全不同的思路。因此可以考虑将作者提出的高效的特征提取网络和FCN, SSD这些网络的检测网络部分结合起来,实现进一步的性能提升。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,839评论 6 482
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,543评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 153,116评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,371评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,384评论 5 374
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,111评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,416评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,053评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,558评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,007评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,117评论 1 334
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,756评论 4 324
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,324评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,315评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,539评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,578评论 2 355
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,877评论 2 345

推荐阅读更多精彩内容