用于小目标检测的一个简单高效的网络导读以TinyYOLOV3的速度达到YOL

导读
以TinyYOLOV3的速度达到YOLOV3的效果。
论文链接：后台发送“小目标检测网络”获取论文链接。
1.介绍
本文提出一种专门用于检测小目标的框架，框架结构如下图：
我们探索了可以提高小目标检测能力的3个方面：Dilated模块，特征融合以及passthrough模块。
DilatedModule：上下文信息对于检测小目标是很重要的，一种方法是重复的上采样来恢复丢失的信息，同时下采样来扩大感受野。但是，这个过程中信息丢失是难免的，受dilated卷积的启发，我们提出了DilatedModule ，在不损失分辨率的情况下，提升感受野。
特征融合：不同层的特征图包含不同的特征，浅层特征包含细节信息，深层特征包含语义信息，两者对于检测小目标都很重要，所以，对于不同的DilatedModule出来的特征图，我们进行拼接，全部用来检测小目标。
PassthroughModule：位置信息对于小目标也是至关重要的，我们提出了PassthroughModule从结合浅层特征图和深层特征图一起得到准确的位置信息。
本文的主要贡献：
（1）提出了DilatedModule来扩大感受野，提出了PassthroughModule来利用上下文信息和小目标的位置信息。考虑到小目标的特点，用特征融合来同时获取细节特征和语义信息，为了模型加速，使用了1x1卷积来降维。
（2）基于VEDAI数据集和DOTA数据集，我们制作了一个smallvehicle数据集，同时，分析了每个数据集的分布。
（3）我们在VEDAI数据集和DOTA数据集上进行了训练和评估，结果表明，我们的网络非常的简单，快速和高效。
2.方法
2.1DILATED模块
使用Dilated卷积可以在不降低分辨率的情况下，指数的增加感受野，如图2所示：

文章图片
我们使用Dilated卷积作为基本单元，构建DilatedModule ，为了重复使用之前层的特征，我们把之前层的特征通过拼接合并起来，然后使用1x1的卷积来降维，模块结构如下：

文章图片
2.2PASSTHROUGH模块
为了可以利用到之前的层的信息，我们使用了stride为2的passthrough层，这个passthrough层将特征图从2N×2N×C转换为N×N×4C ，过程如图4 ，左边是passthrough层的输入，右边是passthrough层的输出：

文章图片
我们使用passthrough层作为基本单元，构建了passthroughmodule ，具体结构见图5 ， LayerA表示之前的层， LayerB表示当前的更深一点的层：

文章图片
2.3特征融合
【用于小目标检测的一个简单高效的网络】本文使用拼接的方式来融合浅层特征和深层特征，框架里有2种特征融合的方法，一种是在不同的DilatedModule之间进行特征融合，此时，特征图的分辨率是相同的，直接拼接就可以。见图6 。还有一种是类似passthroughmodule ，中间有降采样的过程，特征图的分辨率已经改变了，如果要拼接的话，就需要进行通过passthrough层或者上采样层。这里选用了passthrough层来进行融合。

文章图片
2.4网络结构
我们这个网络的目标是检测小目标，太多的下采样层对于检测小目标并不好，但是，下采样层的个数又直接影响到感受野的大小。所以，这里，我们使用了2个dilated模块（DilatedmoduleA和DilatedmoduleB），特征图下采样2次，然后和使用passthroughmodule下采样3次的特征图进行融合，为了加速，每次拼接之后，使用1x1卷积进行降维。最后一层进行结果的预测，尺寸为，这里，