物体检测常用网络结构(Backbone)的特点总结

谁践踏了优雅 2022-11-26 09:52 139阅读 0赞

## 1.VGG.net ##

基本结构：常见的VGG16，t采用了五组卷积与三个 全连接层，最后使用Softmax做分类。

特点：每次 经过池化层（maxpool）后特征图的尺寸减小一倍，而通道数则增加一 倍（最后一个池化层除外）。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70]优点：VGGNet简单灵活，拓展性很强，并且迁移到其他数据集上的泛化 能力也很好，因此时至今日有很多检测与分割算法仍采用VGGNet的网 络骨架。

## 2.Inception ##

结构：Inception模块如图所示，使用了三个不同大小的卷积核进行卷 积运算，同时还有一个最大值池化，然后将这4部分级联起来（通道拼 接），送入下一层。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70_pic_center]这种1×1的模块可以先将特征图 降维，再送给3×3和5×5大小的卷积核，由于通道数的降低，参数量也有 了较大的减少。

## 3.Resnet ##

结构：ResNet的思想在于引入了一个深度残差框架来解决梯度消失问题， 即让卷积网络去学习残差映射，而不是期望每一个堆叠层的网络都完整 地拟合潜在的映射（拟合函数）。对于神经网络，如果 我们期望的网络最终映射为H(x)，左侧的网络需要直接拟合输出H(x)， 而右侧由ResNet提出的子模块，通过引入一个shortcut（捷径）分支，将 需要拟合的映射变为残差F(x)：H(x)-x。ResNet给出的假设是：相较于 直接优化潜在映射H(x)，优化残差映射F(x)是更为容易的。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70_pic_center 1]  
![在这里插入图片描述][20200812082606622.png_pic_center]

## 4. Densenet ##

DenseNet最大化了这 种前后层信息交流，通过建立前面所有层与后面层的密集连接，实现了 特征在通道维度上的复用，使其可以在参数与计算量更少的情况下实现 比ResNet更优的性能。  
·神经网络一般需要使用池化等操作缩小特征图尺寸来提取语义特 征，而Dense Block需要保持每一个Block内的特征图尺寸一致来直接进 行Concatnate操作，因此DenseNet被分成了多个Block。Block的数量一 般为4。  
·两个相邻的Dense Block之间的部分被称为Transition层，具体包括 BN、ReLU、1×1卷积、2×2平均池化操作。1×1卷积的作用是降维，起 到压缩模型的作用，而平均池化则是降低特征图的尺寸。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70_pic_center 2]

·密集连接的特殊网络，使得每一层都会接受其后所有层的梯度， 而不是像普通卷积链式的反传，因此一定程度上解决了梯度消失的问 题。  
·通过Concatnate操作使得大量的特征被复用，每个层独有的特征图  
的通道是较少的，因此相比ResNet，DenseNet参数更少且计算更高效。  
DenseNet的不足在于由于需要进行多次Concatnate操作，数据需要 被复制多次，显存容易增加得很快，需要一定的显存优化技术。另外， DenseNet是一种更为特殊的网络，ResNet则相对一般化一些，因此 ResNet的应用范围更广泛。

## 5.Detnet ##

了专为物体检测设计的DetNet结构， 引入了空洞卷积，使得模型兼具较大感受野与较高分辨率，同时避免了 3.6节中FPN的多次上采样，实现了较好的检测效果。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70_pic_center 3]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70]: /images/20221124/40f83fe44464491abdeebabaae7c68a8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70_pic_center]: /images/20221124/227738ded849405fbfe74feef32c600c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221124/6c7b41e3bdca4646be8f6b1113cde890.png
[20200812082606622.png_pic_center]: /images/20221124/42ea75720c704b1391981d89691a69a3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221124/80ed0f707cc645f6b6a043746bec5356.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FieXNzd2F0Y2hlcjE_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221124/28fde59bafd449d9b03bca83672839b0.png