고속으로 풍부한 특징 학습을 통한 단일 샷 객체 탐지

단일 단계 객체 탐지 방법은 실시간 기능과 높은 탐지 정확도로 인해 최근에 많은 주목을 받고 있다. 일반적으로, 기존의 대부분 단일 단계 탐지기는 두 가지 일반적인 관행을 따른다: 분류 작업을 위해 ImageNet에서 사전 훈련된 네트워크 백본을 사용하고, 스케일 변화를 처리하기 위해 상향식 특징 피라미드 표현을 사용한다. 일반적인 사전 훈련 전략과는 달리, 최근의 연구들은 분류와 위치 지정 사이의 작업 간극을 줄이기 위해 처음부터 훈련하는 것의 이점을 보여주었다, 특히 높은 중복 임계값에서. 그러나 처음부터 훈련된 탐지 모델은 일반적으로 세밀 조정된 모델보다 훈련 시간이 훨씬 더 길다. 우리는 사전 훈련된 모델의 미세 조정과 처음부터 훈련하는 방법의 장점을 결합한 단일 단계 탐지 프레임워크를 소개한다. 우리의 프레임워크는 사전 훈련된 백본을 사용하는 표준 네트워크와 처음부터 훈련된 경량 보조 네트워크로 구성된다. 또한, 일반적으로 사용되는 상향식 피라미드 표현은 상위 레이어에서 하위 레이어로 고급 의미를 전달하는 데만 집중한다고 주장한다. 우리는 탐지 프레임워크에서 저수준/중간 수준 및 고수준 의미 정보를 효율적으로 순환하는 양방향 네트워크를 소개한다. 실험은 MS COCO 및 UAVDT 데이터 세트에서 수행된다. 기준선과 비교하여, 우리의 탐지기는 MS COCO와 UAVDT 데이터 세트에서 각각 7.4% 및 4.2%의 평균 정밀도(AP) 절대 이득을 달성한다, VGG 백본을 사용하는 경우. MS COCO 테스트 세트에서 300×300 입력의 경우, 우리의 ResNet 백본을 가진 탐지기가 단일 스케일 추론을 위한 기존 단일 단계 탐지 방법을 초월하여 34.3 AP를 달성하며, 단일 Titan X GPU에서 19 밀리초의 추론 시간으로 작동한다. 코드는 https://github.com/vaesl/LRF-Net에서 사용할 수 있다.