COCO mAP 53.3！骨干网合成算法CBNet带来目标检测精度新突破

分享一篇前几天新出的论文CBNet: A Novel Composite Backbone Network Architecture for Object Detection，文中提出一种新型特征融合算法，有效提升了目标检测和实例分割精度，CBNet配以Cascade RCNN取得了COCO 数据集 mAP 53.3 的新高度！

以下是作者信息：

作者来自北京大学和Stony Brook University。

一个好的骨干网可有效提升目标检测精度。

但设计一个好的骨干网却并非易事，那能不能对现有骨干网进行更好的特征融合呢？

CBNet的核心就是使用现有骨干网合成新的骨干网，合成的方法很简单，就是对于相同类型的多个骨干网，进行信息的跨层或同层传播。

下图即为CBNet算法图例：

前一个骨干网的结果回传到下一个骨干网相同层之前，使用最后一个Lead Backbone进行检测或分割。K 代表组合骨干网的个数。

下图为作者在COCO test-dev数据集上的实验，Single代表单模型，DB为对两个骨干网进行合成，TB为三个。

可见，CBNet有效改进了目标检测和实例分割的精度。

下图为与其他state-of-the-art算法相比较，CBNet 加持下的Cascade Mask R-CNN取得了COCO数据集上的精度新高，而且是每个评价指标下都是最好的。

作者指出，根据不同特征传播的方式，还有其他可能的骨干网合成方法，如下图：

并对不同的合成方法进行了实验：

发现合成方法（a）即AHLC是较好的方法。

合成骨干网数量是不是越多越好呢？如下图，作者研究发现，数量超过3个后，精度改进就不再明显了。

很显然这种方法会使得速度变慢，作者实验中，FPN+ResNeXt为 8 fps，两个backbones 合成后为5.5FPS。可能对于打比赛，这个方法更有意义。

论文地址：

https://arxiv.org/abs/1909.03625

代码地址：

https://github.com/PKUbahuangliuhe/CBNet