[论文解读] Object Detection with Convolutional Neural Networks

Kaidong Li, Wenchi Ma+3 more|arXiv (Cornell University)|Dec 4, 2019

Advanced Neural Network Applications被引用 5

一句话总结

本文全面综述了基于卷积神经网络（CNN）的目标检测方法，回顾了关键架构，包括两阶段模型（R-CNN、Fast R-CNN、Faster R-CNN）和单阶段模型（YOLO、SSD、RetinaNet）。在PASCAL VOC、MS COCO和VisDrone-DET2018等基准数据集上的评估表明，尽管YOLOv3等单阶段检测器具有更高的速度，但Faster R-CNN等两阶段模型在小而密集排列的物体上表现出更优的精度，尤其是在具有挑战性的数据集上。

ABSTRACT

In this chapter, we present a brief overview of the recent development in object detection using convolutional neural networks (CNN). Several classical CNN-based detectors are presented. Some developments are based on the detector architectures, while others are focused on solving certain problems, like model degradation and small-scale object detection. The chapter also presents some performance comparison results of different models on several benchmark datasets. Through the discussion of these models, we hope to give readers a general idea about the developments of CNN-based object detection.

研究动机与目标

• 提供基于CNN的目标检测方法演进与当前状态的结构化概述。
• 在多个基准数据集上比较两阶段与单阶段检测器的性能。
• 分析YOLOv3等单阶段检测器在处理小尺寸及密集排列物体时的局限性。
• 突出数据集特性对检测器性能及模型设计选择的影响。
• 识别开放性挑战，如遮挡、截断问题，以及对VisDrone-DET2018等专用数据集的需求。

提出的方法

• 将主要目标检测架构分类为两阶段与单阶段框架。
• 分析R-CNN、Fast R-CNN、Faster R-CNN、YOLO、YOLOv3、SSD和RetinaNet的设计原则，重点关注区域建议与分类机制。
• 在VisDrone-DET2018数据集上实现并评估最新版本检测器，使用标准指标如不同IoU阈值下的AP与AR。
• 在现代检测器中使用共享特征图，以降低计算负载同时保持性能。
• 在YOLOv3中应用多尺度预测，通过利用高分辨率输入（832×832）提升小物体检测性能。
• 使用mAP与召回率指标在不同最大检测数（maxDets = 1, 10, 100, 500）下评估模型，以评估定位与检测精度。

实验结果

研究问题

• RQ1 两阶段与单阶段目标检测模型在架构、精度与推理速度方面有何差异？
• RQ2 在VisDrone-DET2018数据集上，YOLOv3与Faster R-CNN在小尺寸及密集排列物体上的性能差异如何？
• RQ3 多尺度预测与高分辨率输入在多大程度上提升了YOLOv3等单阶段检测器的性能？
• RQ4 为何单阶段检测器在如VisDrone-DET2018等真实世界数据集中难以处理小物体？
• RQ5 数据集特性与评估指标（如mAP、IoU阈值）在检测器开发与基准测试中起到何种作用？

主要发现

• 在IoU=0.50时，Faster R-CNN的AP比YOLOv3高出10%（39.74 vs. 29.77），显示出显著更高的精度。
• 在IoU=0.75时，性能差距缩小至5%，表明YOLOv3因多尺度预测与高分辨率输入，在定位精度方面有所提升。
• YOLOv3的AP@0.50:0.05:0.95为18.74，而Faster R-CNN达到24.33，显示两阶段模型在整体检测精度上具有明显优势。
• AR@1（每张图像仅允许一次检测时的最大召回率）分别为0.91（YOLOv3）与0.73（Faster R-CNN），表明YOLOv3具有更强的早期检测能力。
• RetinaNet在小尺寸及形态相似物体上的mAP表现较低（如行人：12.6，人：3.6），凸显细粒度检测仍面临挑战。
• AR@10的差距为5.63（YOLOv3）与6.11（Faster R-CNN），表明Faster R-CNN在检测数量有限时仍能保持更好的召回率，尤其在复杂场景中。