标签：.com 一个 前言 聚类 检测方法 蓝色 一点 选择 http
论文链接：https://arxiv.org/abs/1612.04402
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。
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。
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。
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。
标签：.com 一个 前言 聚类 检测方法 蓝色 一点 选择 http
原文地址：https://www.cnblogs.com/walter-xh/p/10479913.html
