CBNet是什么

本文小編為大家詳細介紹“CBNet是什么”，內容詳細，步驟清晰，細節處理妥當，希望這篇“CBNet是什么”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學習新知識吧。

到目前為止，在COCO數據集上表現最好的物體檢測網絡是CBNet，在COCO測試數據集上的平均精度為53.3。

合并一個更強大的主干可以提高目標探測器的性能。為了做到這一點，他們提出了一種新的策略，通過相鄰的主干之間的復合連接來裝配多個相同的主干。通過這樣做，他們提出了一個更強大的主干，稱為復合主干網絡。

如圖所示，CBNet由多個相同的主干網絡和相鄰主干之間的復合連接組成。從左到右，每個階段的輸出在一個輔助主干網中，這也可以看作是高層次的特征。每個特征層的輸出通過組合連接作為輸入的一部分流到后續主干的并行級。通過這樣做，將多個高級和低級特性融合在一起，以生成更豐富的特征表示。

本文介紹了兩種架構：雙骨干網(DB)和三骨干網(TB)。從命名中可以猜到，DB由兩個相同的主干組成，TB由三個相同的主干組成。性能差異將在本文后面討論。

為了從主干中組合多個輸出，本文引入了一個組合連接塊。該塊由一個1x1卷積和一個批處理歸一化層組成。添加這些層是為了減少通道的數量并執行上采樣操作。

最后的主干(在圖中最右邊)稱為領導主干，用于物體檢測。領導主干的輸出特征被輸入到RPN/檢測頭，而每個輔助主干的輸出被輸入到相鄰的主干。

組合風格

有四種主干組合的形式：

• 相鄰的高級組合是前面部分中介紹的樣式。來自輔助主干網的每個輸出特征使用復合連接塊輸入到相鄰的主干網中。

• 同層組合是另一種簡單的合成樣式，它將前一個主干的相鄰低層階段的輸出提供給后一個主干。如圖所示，此樣式不使用復合連接塊。來自低層主干網的特征被直接添加到相鄰的主干網中。

• 鄰近的低層組合非常類似于AHLC。唯一不同的是，來自前一個主干網底層的特征被傳遞給后續的主干網。

• 稠密的高層組合的靈感來自DenseNet，每一層都連接到所有后續的層，在一個階段建立一個稠密的連接。

上表顯示了不同組合風格的對比。我們可以觀察到，AHLC樣式優于其他復合樣式。這背后的原因在論文中有很好的解釋。作者認為，將前一個主干的低層特征直接添加到后續主干的高層特征中，會損害后一個主干的語義信息。另一方面，在后續主干的淺層特征基礎上增加前一主干的深層特征，可以增強后一主干的語義信息。

結果

上表顯示了MS-COCO測試數據集的檢測結果。第5-7列是物體檢測結果，第8-10列是實例分割結果。它清楚地表明，使用更多的骨干架構提高了網絡的性能。

讀到這里，這篇“CBNet是什么”文章已經介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領會，如果想了解更多相關內容的文章，歡迎關注億速云行業資訊頻道。