论文：Receptive Field Block Net for Accurate and Fast Object Detection

Github：https://github.com/ruinmessi/RFBNet


ECCV2018

论文基于Receptive Fields (RFs) ，提出了RF Block (RFB) ，然后基于RFB,对以VGG16为基础架构的ssd进行了改进，形成最终的RFBNet。RFBNet是一种one-stage的架构，精度高于传统ssd，速度较传统ssd略慢。


论文贡献：


  1. 提出RFB模块
  2. 提出了RFBNet
  3. RFBNet在voc和coco上都取得了实时的处理速度。并且将VGG网络换为MobileNet也具有性能提升，证明RFB模块的泛化性。


 


RFB流程：



RFB模块分为3个分支，每个分支的底层都经过不同大小的卷积核进行处理（1_1,3_3,5_5），然后经过3_3空洞卷积，膨胀率分别为（1,3,5）。这样使得不同分支都具有不同的感受野，最后将所有的feature map连接起来。


 


Inception,ASPP,Deformable conv,RFB对比：



可以看出Inception,ASPP,Deformable conv,这3种方法的底层输入都是同样感受野的feature map。而RFB的底层输入具有不同的感受野。


RFB算是Inception和ASPP的综合，具有更大的感受野。


 


RFB模块：



RFB模块分为RFB，RFB-s两种。程序和实现和上面的图示，有略微的区别。


  1. class BasicRFB(nn.Module):
  3. def init(self, in_planes, out_planes, stride=1, scale = 0.1, visual = 1):
  4. super(BasicRFB, self).__init__()
  5. self.scale = scale
  6. self.out_channels = out_planes
  7. inter_planes = in_planes // 8
  8. self.branch0 = nn.Sequential(
  9. BasicConv(in_planes, 2_inter_planes, kernel_size=1, stride=stride),
  10. BasicConv(2_inter_planes, 2_inter_planes, kernel_size=3, stride=1, padding=visual, dilation=visual, relu=False)
  11. )
  12. self.branch1 = nn.Sequential(
  13. BasicConv(in_planes, inter_planes, kernel_size=1, stride=1),
  14. BasicConv(inter_planes, 2_inter_planes, kernel_size=(3,3), stride=stride, padding=(1,1)),
  15. BasicConv(2_inter_planes, 2_inter_planes, kernel_size=3, stride=1, padding=visual+1, dilation=visual+1, relu=False)
  16. )
  17. self.branch2 = nn.Sequential(
  18. BasicConv(in_planes, inter_planes, kernel_size=1, stride=1),
  19. BasicConv(inter_planes, (inter_planes//2)_3, kernel_size=3, stride=1, padding=1),
  20. BasicConv((inter_planes//2)_3, 2_inter_planes, kernel_size=3, stride=stride, padding=1),
  21. BasicConv(2_inter_planes, 2_inter_planes, kernel_size=3, stride=1, padding=2_visual+1, dilation=2_visual+1, relu=False)
  22. )
  24. self.ConvLinear = BasicConv(6_inter_planes, out_planes, kernel_size=1, stride=1, relu=False)
  25. self.shortcut = BasicConv(in_planes, out_planes, kernel_size=1, stride=stride, relu=False)
  26. self.relu = nn.ReLU(inplace=False)
  28. def forward(self,x):
  29. x0 = self.branch0(x)
  30. x1 = self.branch1(x)
  31. x2 = self.branch2(x)
  33. out = torch.cat((x0,x1,x2),1)
  34. out = self.ConvLinear(out)
  35. short = self.shortcut(x)
  36. out = out*self.scale + short
  37. out = self.relu(out)
  39. return out

RFB-Net ：



 


实验结果：


RFB和其他基础骨架网络在VOC的对比结果



RFB各模块有效性



RFB和其他增加感受野模块对比



RFB和其他基础骨架网络在coco的对比结果



RFB速度对比



 


总结：


RFB模块是一种增加感受野的模块，基于此改进的RFB-Net 具有速度和精度的双重优势。