目标检测--SqueezeDet 用于自动驾驶的实时目标检测网络

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1436694

SqueezeDet: Unified, Small, Low Power Fully Convolutional Neural Networks for Real-Time Object Detection for Autonomous Driving

https://arxiv.org/abs/1612.01051

tensorflow code: https://github.com/BichenWuUCB/squeezeDet

2 Related Work

2.1. CNNs for object detection

  R-CNN，Faster R-CNN， R-FCN  这些基于候选区域的方法实时性比较差，YOLO是第一个实现实时检测的算法。

2.2. Small CNN models

小模型主要体现在参数数量规模上面。AlexNet 有240MB 参数，而 SqueezeNet 只有  4.8MB 参数，而且两者性能相当。

2.3. Fully convolutional networks

  全卷积网络还是比较流行的。R-FCN  就是全卷积网络。

1. Method Description 3.1. Detection Pipeline

输入图像经过一个卷积网络提取特征图 feature map，这个特征图经过一个 ConvDet 层处理得到 若干矩形框，每个矩形框有坐标，C个类别概率，1个confidence score，就是包含物体的概率。最后经过非极大值抑制过滤，得到最终检测结果。

3.2. ConvDet

对特征图的每个网格位置使用 K个 anchors 进行矩形框的回归和置信度计算。

RPN, ConvDet and YOLO的检测层 对比，主要是参数数量的不一样。

性能对比：