目标检测:TTFNet: Training-Time-Friendly Network for Real-Time Object Detection
论文出发点: 当期大多数检测器很难同时取得 训练时间短、快速推理快、精度高 。 论文改进点: (1)TTFNet 采用了 light-head + single-stage + anchor-free 的设计,用以保持高速推理。 (2)TTFNet 引入一种利用高斯核对训练样本进行编码的新方法 。因为作者观察到:从注释框中编码更多的训练样本与增加批处理大小具有相似的作用, 这有助于扩大学习速率和加速训练过程 。 (3)此外,为了更好地利用信息,TTFNet 还采用了主动样本权重 。 网络分类: 第一类:依赖 heavy-head 或者 complex post-processing,可以取得较高的精度和较快的收敛速度,但会导致推理速度的降低; 第二类:简化 detection head 或者 post-processing,目的是精度高、推理快,但由于网络的简化,使其严重依赖 data-augmentation 以及 long-time schedule,导致需要较长的训练周期。 第一类通常需要12epochs, 而centernet需要14epochs. CenterNet 收敛速度慢分析:在做尺寸回归时,只关注了对象中心点的一个sample,忽略了中心点附近的sample。 缩短训练时间: 提出利用高斯核生成高质量训练样本的新方法。 (1