GiraffeDet：一种用于目标检测的重度颈部范式
计算机视觉与模式识别
2022-06-23 v2
摘要
在常规目标检测框架中，继承自图像识别模型的骨干网络提取深层潜在特征，随后由颈部模块融合这些潜在特征以捕获不同尺度信息。由于目标检测分辨率远大于图像识别，骨干网络的计算成本常主导总推理成本。这种重度骨干设计范式主要源于将图像识别模型迁移至目标检测的历史遗留，而非面向目标检测的端到端优化设计。本文表明该范式确实导致次优目标检测模型。为此，我们提出一种新颖的重度颈部范式 GiraffeDet，一种类长颈鹿网络以实现高效目标检测。GiraffeDet 采用极轻量骨干与极深且大的颈部模块，促进不同空间尺度及不同层次潜在语义间同时密集信息交换。该设计范式使检测器即使在网络早期阶段也能同等优先处理高层语义信息与低层空间信息，从而在检测任务中更为有效。在多个流行目标检测基准上的数值评估表明，GiraffeDet 在广泛资源约束下持续优于先前 SOTA 模型。源代码见 https://github.com/jyqi/GiraffeDet。
引用
@article{arxiv.2202.04256,
title = {GiraffeDet: A Heavy-Neck Paradigm for Object Detection},
author = {Yiqi Jiang and Zhiyu Tan and Junyan Wang and Xiuyu Sun and Ming Lin and Hao Li},
journal= {arXiv preprint arXiv:2202.04256},
year = {2022}
}