【论文标题】Fast Object Detection with Latticed Multi-Scale Feature Fusion 【作者团队】Yue Shi，Bo Jiang，Zhengping Che，Jian Tang 【发表时间】2020/11/5 【论文链接】https://arxiv.org/pdf/2011.02780.pdf

【推荐理由】 本文来自滴滴 AI 实验室，作者基于空洞卷积的多层次和多分支方案提出了一种名为「Fluff」的新模块，实现了更快、粒度更细的特征融合，在多尺度目标检测任务上达到了目前最有的性能。

尺度变化时多尺度目标检测问题中的一项关键性挑战。早期的方法通过利用图像和特征金字塔来解决该问题。这种方法在提高计算负担和引入内部网络结构的约束的条件下得到了次优的结果。之前的研究人员还提出了多尺度（即多层次、多分支）特征融合方法来解决这一问题，并取得了可喜的进展。然而，现有的融合方法仍存在特征尺度不一致、忽略层次语义变换、粒度较粗等不足。在本文中，作者提出了一种名为「Fluff」的新模块，用来弥补现有的多尺度融合方法的缺点，提升多尺度目标检测的性能。具体而言，Fluff 利用了基于空洞卷积的多层次和多分支方案，以实现快速、有效和粒度更细的特征融合。此外，本文作者将 Fluff 集成到 SSD 中构建了一种功能强大的实时单阶段多尺度目标检测器 FluffNet。在 MS COCO 和 PASCAL VOC 数据集上的实验结果表明，FluffNet 实现了显著的效率提升，并实现了目前最高的准确度。此外，本文作者还通过展示如何将 Fluff 模块嵌入到其它广泛使用的检测器中，来说明其卓越的泛化性能。

图 1：Fluff 模块架构示意图。其中 3*3 卷积表示空洞卷积。

本文的主要贡献在于： （1）基于多层次、多分支融合技术和空洞卷积提出了一种 Fluff 模块，用于实现快速、细粒度的多尺度特征融合。 （2）将 Fluff 模块嵌入到 SSD 中构建 FluffNet，在 MS COCO 和 PASCAL VOL 数据集上获得了目前最佳的性能。 （3）Fluff 可以很容易地被嵌入到其它目标检测其中，提升多尺度目标检测的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除