RFBNet
1.0.0
liu，di huang，Yunhong Wang
受到人類視覺系統的接收場（RF）結構的啟發，我們提出了一個新型的RF塊（RFB）模塊，該模塊考慮了RF的大小和偏心率之間的關係，以增強特徵的可區分性和魯棒性。我們通過輕巧的CNN模型將RFB模塊進一步將RFB模塊組裝到SSD的頂部，從而構建RFB NET檢測器。您可以使用代碼來訓練/評估RFB NET進行對象檢測。有關更多詳細信息，請參閱我們的ECCV論文。
| 系統 | 地圖 | FPS （Titan X Maxwell） |
|---|---|---|
| 更快的R-CNN（VGG16） | 73.2 | 7 |
| Yolov2（Darknet-19） | 78.6 | 40 |
| R-FCN（RESNET-101） | 80.5 | 9 |
| SSD300*（VGG16） | 77.2 | 46 |
| SSD512*（VGG16） | 79.8 | 19 |
| RFBNET300（VGG16） | 80.7 | 83 |
| RFBNET512（VGG16） | 82.2 | 38 |
| 系統 | 測試-DEV地圖 | 時間（Titan X Maxwell） |
|---|---|---|
| 更快的R-CNN ++（RESNET-101） | 34.9 | 3.36 |
| Yolov2（Darknet-19） | 21.6 | 25ms |
| SSD300*（VGG16） | 25.1 | 22ms |
| SSD512*（VGG16） | 28.8 | 53ms |
| 視網膜500（RESNET-101-FPN） | 34.4 | 90ms |
| RFBNET300（VGG16） | 30.3 | 15ms |
| RFBNET512（VGG16） | 33.8 | 30ms |
| RFBNET512-E（VGG16） | 34.4 | 33ms |
| 系統 | 可可寬道圖 | ＃參數 |
|---|---|---|
| SSD Mobilenet | 19.3 | 68m |
| RFB Mobilenet | 20.7 | 74m |
如果有助於您的研究，請在您的出版物中引用我們的論文：
@InProceedings{Liu_2018_ECCV,
author = {Liu, Songtao and Huang, Di and Wang, andYunhong},
title = {Receptive Field Block Net for Accurate and Fast Object Detection},
booktitle = {The European Conference on Computer Vision (ECCV)},
month = {September},
year = {2018}
}
./make.sh注意：檢查您在utils/build.py中的GPU架構支持，第131行。默認值為：
'nvcc': ['-arch=sm_52',
conda install opencv注意：對於培訓，我們目前支持VOC和可可。
為了使事情變得簡單，我們提供了簡單的VOC和可可數據集加載程序，該加載程序繼承了torch.utils.data.Dataset ，使其與torchvision.datasets API完全兼容。
# specify a directory for dataset to be downloaded into, else default is ~/data/
sh data/scripts/VOC2007.sh # <directory> # specify a directory for dataset to be downloaded into, else default is ~/data/
sh data/scripts/VOC2012.sh # <directory>從官方網站上安裝/路徑/to/coco的MS可可數據集，默認為〜/data/coco。按照準備小型2014和Valminusminival2014註釋的說明。所有標籤文件（.json）均應在可可/註釋/文件夾下。它應該具有這種基本結構
$COCO /
$COCO /cache/
$COCO /annotations/
$COCO /images/
$COCO /images/test2015/
$COCO /images/train2014/
$COCO /images/val2014/更新：當前的可可數據集已發布新的Train2017和Val2017集，它們只是相同圖像集的新拆分。
首先下載FC降低的VGG-16 Pytorch基本網絡權重：
Mobilenet預先培訓的Basenet從Mobilenet-Caffe移植，其準確率比論文中報導的原始文件略好，重量文件可在以下網址提供：https：//drive.google.com/open?id=13azsapybbbdjzfgiDqn1Inblpsddxcck14或baiduyun verter。
默認情況下，我們假設您已在RFBNet/weights dir中下載了該文件：
mkdir weights
cd weights
wget https://s3.amazonaws.com/amdegroot-models/vgg16_reducedfc.pthtrain_RFB.py中列出的參數指定為標誌或手動更改它們即可。 python train_RFB.py -d VOC -v RFB_vgg -s 300 train_RFB.py了解選項），從檢查站獲取培訓。評估訓練有素的網絡：
python test_RFB.py -d VOC -v RFB_vgg -s 300 --trained_model /path/to/model/weights默認情況下，它將在VOC2007測試或可可Minival2014上直接輸出地圖結果。對於VOC2012測試和可可Test-DEV結果，您可以在test_RFB.py文件中手動更改數據集，然後保存檢測結果並提交給服務器。
