图像目标检测DET--Beyond Skip Connections: Top-Down Modulation for Object Detection
Beyond Skip Connections: Top-Down Modulation for Object Detection
CVPR2017 under review
code ：(coming soon)
可以结合 Feature Pyramid Networks for Object Detection 阅读
大牛 Jitendra Malik 竟然都去 Google Research 兼职，这样的大牛肯定不是为了钱，深度学习需要数据, 所以说深度学习尤其需要高校和公司的强强联合。
超级飞侠包警长出场会有一句口头禅：无论是大问题还是小问题,都在我掌控!
这里想说的是 不管大目标还是小目标，都可以用 Top-Down Modulation 检测出来!
在目标检测算法中，我们为了兼顾大目标和小目标，目前主流方法是 用 skip connections 综合利用更多的卷积特征图信息。但是怎么利用还是有讲究的，一不小心就过拟合了。我们指出问题的重点在于：What we need is a selection/attention mechanism that selects the relevant features from lower convolutional layers.
系统示意图如下所示：
这里我们对标准的 自下而上的前向 CNN网络加入一个自上而下 top-down 网络，使用 lateral connections 连接起来。modulation 通过这些 connections 选择合适的滤波器实现，top-down 网络负责整合信息。
Top-Down Modulation 网络基础模块
注意这里的 L 和 T 模块 都是小的 ConvNets，可以简单到一层卷积网络，也可以复杂到 Residual [24] or Inception [46] 模块， which can vary from a single or a hierarchy of convolutional layers to more involved Residual [24] or Inception [46] blocks。
注意这里的特征尺寸的放大。
实验结果：
考虑到 Top-Down Modulation 这个模块网络结构的可变性，检测精度，时间，检测应用场景，网络结构等 都是相互关联。