SSD改進CFENet

https://arxiv.org/abs/1806.09790v1 

圖3。CFENet的體系結構及其新模塊CFE。（a） 輸入尺寸為300×300的CFENet的拓撲結構。（b） CFE模塊的層設置，每個框代錶一個conv+bn+relu組。

如圖3.a所示，CFENet將四個綜合特征增强（CFE）模塊和兩個特征融合塊（FFB）組裝到原始SSD中。這些附加模塊很簡單，可以很容易地組裝成傳統的檢測網絡。CFE的內部結構如圖3.b所示，由兩個相似的分支組成。例如，在左分支中，我們使用k×k Conv後跟1×1conv[9]來學習更多的非線性關系，並拓寬接受野。同時將k×k Conv分解為1×k和k×1conv層，既保持了接收場又節省了CFENet的推理時間。另一分支的不同之處在於逆轉了1×k和k×1conv層的組合。CFE模塊被設計為增强SSD用於檢測小對象的淺特征，這實際上是由多個現有模塊（如起始模塊（20）、XCEPT模塊[3 ]、大型可分離模塊[8 ]和ResNeXt 塊[23 ]驅動的。 

基於CFE模塊，我們提出了一種新的一級檢測器CFENet，它能更有效地檢測微小的物體。更具體地說，我們首先分別在Conv4 3和Fc 7的Conv層和Fc 7和Conv6 2的Conv層之間裝配兩個cfe。此外，我們還將另外兩個獨立的cfe分別連接到Conv4 3和Fc 7檢測分支。由於這兩層都比較淺，其學習到的特征仍不利於後一識別過程，我們采用CFE模塊來增强Conv4 3和Fc 7的特征。向前一步，特征融合策略總是有助於學習更好的特征，結合原始特征的優勢[14，17]。我們也在CFENet中應用了這種方法。在兩個ffb的幫助下，通過特征融合生成新的Conv4 3和Fc 7。在實驗部分，我們設置了CFE模塊的k=7。