RefineDetLite：腾讯提出轻量级高精度目标检测网络

前几天腾讯公布了一篇论文RefineDetLite: A Lightweight One-stage Object Detection Framework for CPU-only Devices，提出一种面向CPU设备的轻量级一阶段目标检测网络RefineDetLite，其在MSCOCO 上可以达到精度29.4 AP，同时在Intel 6700 @3.4G HZ 型号CPU上可以跑到130ms/图片（320X320），是目前轻量级通用目标检测网络的佼佼者。

以下是作者信息：

作者来自腾讯和港科大。

RefineDetLite是在RefineDet目标检测算法基础上提出的改进，其架构如下：

其最大的改进点是考虑到分类网络的骨干网并不适合目标检测，设计了轻量级的 Res2NetLite 骨干网，如下图：

其中使用的基础模块Res2Block如下图：

作者为此骨干网设计了Light-head 用于检测，在检测部分又分为粗略的loss模块和提精损失模块，如下图：

除了网络架构的改进，作者设计了几个训练策略也大幅改进了精度。

训练策略：

1. 损失函数分粗略和提精的定位和分类四部分：

2. 在这个多任务学习中，加权的权重是可训练的：

3. IOU-guided loss ，不再以交并比超过0.5对检测结果硬化分，设计soft one-hot 标签，并以此来计算损失函数。

4. 数据集感知的类别加权损失函数。消除不同类别目标样本数目不平衡问题。

下表为作者在MSCOCO test-dev 数据集上的实验结果：

其中有很多值得思考的地方：

1. RefineDetLite 达到了 AP 26.8，加上作者提出的训练策略，可以达到29.6，在轻量级目标检测网络中是最高的精度。

2. ThunderNet是之前最优秀的轻量级算法（出自旷视），但该文的训练策略也可以用于ThunderNet，单纯比算法，可能ThunderNet更优秀！希望以后会有更多的结果出来。

3. 为检测设计专门的骨干网很有必要！

4. 在RefineDet中使用MobileNetV3比使用MobileNetV2效果还差！这是不是说明神经架构搜索得到的网络迁移效果不好？

5. 作者设计的训练策略非常有效，这些都是在处理不平衡问题和IOU对损失贡献问题，看来这个很重要。强烈推荐大家看：目标检测中的不平衡问题综述

消融实验：

检测图片例子：

论文地址：

https://arxiv.org/pdf/1911.08855.pdf