论文Tiny-DSOD: Lightweight Object Detection for Resource-Restricted Usages详解（代码详解）-CSDN博客

目标检测
论文Feature-Fused SSD: Fast Detection for Small Objects 详解（包括代码详解）
论文Receptive Field Block Net for Accurate and Fast Object Detection详解（+代码详解）
论文ASSD: Attentive Single Shot Multibox Detector详解（包含代码详解）
论文FSSD: Feature Fusion Single Shot Multibox Detector详解（代码详解）
论文DSSD:Deconvolutional Single Shot Detector详解（包含代码详解）
论文M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network 详解（包含代码详解）
论文Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression详解（包含代码详解）
论文Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 详解（算法代码实现详解）
目标检测数据集COCO的MAP评价指标工具pycocotools用于VOC或者自定义类别数据集的MAP计算以及类别的AP结果展现（代码详解）
论文Inception Single Shot MultiBox Detector For Object Detection 详解（代码详解）
论文Soft-NMS– Improving Object Detection With One Line of Code 详解
论文S3FD: Single Shot Scale-invariant Face Detector 详解（代码详解）
论文Parallel Feature Pyramid Network for Object Detection 详解（包含代码详解）
论文Pelee: A Real-Time Object Detection System on Mobile Devices详解（代码详解）
论文Single-Shot Refinement Neural Network for Object Detection 详解（代码详解）

提出目的和方法

提出目的

由于资源有限，当前的目标检测算法对于计算资源的需求非常大，因此这对于目标检测算法的部署本身不利，比如永远在线的设备，电池供电的低端设备等。

提出方法

考虑到计算资源和准确率之间的平衡，基于DSOD模型框架，设计了一个目标检测模型框架，，称之为Tiny-DSOD；具体方法是：Tiny-DSOD引入了两个创新且超高效的架构块：基于深度密集块（DDB）的主干和基于深度特征金字塔网络（D-FPN）的前端。。

整体模型架构

Depthwise Dense Blocks

图1(a)中的DDB-a单元受到MobileNet-v2中提出的新型反向残差块的启发。它首先将输入通道扩展w倍到w×n，其中n是块的输入通道数，w是一个整数超参数，用于控制模型的容量。然后，它应用深度卷积，并通过点卷积（即1x1卷积）将特征图进一步投影到g个通道（g是DDB-a的增长率）。最后，使用拼接将输入和输出特征图合并在一起，而不是MobileNet-v2中的残差加法操作。DDB-a有两个超参数w和g，因此将其表示为DDB-a(wg)。

DDB-a有两个主要缺陷。首先，假设堆叠了L个DDB-a块，堆叠结构的复杂度为O(L3g2)。这意味着资源消耗随着L的增加而迅速增长，因此即使只是将几个DDB-a堆叠在一起，同时必须将增长率g控制在一个较小的值。然而，较小的增长率g会损害整个模型的区分能力。第二，DDB-a拼接了浓缩的（即经过1x1卷积投影的）特征图，因此在两个相邻的DDB-a单元之间存在连续的1x1卷积。这种处理方式将引入模型参数之间的潜在冗余。

考虑到这一点，本文设计了另一种深度密集块，称为DDB-b，如图1(b)所示。DDB-b首先将输入通道压缩到增长率g，然后执行深度卷积。深度卷积的输出直接与输入拼接，而不需要额外的1x1投影。L个堆叠的DDB-b块的整体复杂度为O(L2g2)，这比DDB-a的复杂度要小。实验中进一步验证，DDB-b在相似的资源限制下不仅更高效，而且比DDB-a更准确。因此，我们选择DDB-b作为构建最终主干子网络结构的基本单元。

Depthwise FPN based Front-end

GT Box和Anchor box之间的最佳匹配过程

难例挖掘（Hard Negative Mining）

论文Receptive Field Block Net for Accurate and Fast Object Detection详解（+代码详解）

实验部分

注：主要是对各个模块的消融，最终实验结果是在使用DDB-b模块和D-FPN模块时的效果是最好的。

Tiny-DSOD达到72.1%的mAP，显著优于大多数轻量级检测器，仅次于DSOD-smallest 。然而，Tiny-DSOD只有DSOD-smallest的1/6参数和1/5 FLOPs。在将模型与最先进的全尺寸模型进行比较时，确实存在轻微的准确度下降。然而，Tiny-DSOD需要的模型存储器持续内存要小得多，计算成本也更低。例如，Faster-RCNN 的准确度只比Tiny-DSOD高1.1%，但模型大小却大了140倍以上，理论计算成本则高出了180倍（实际上在fps上慢了10倍）。这些比较表明，Tiny-DSOD在资源（模型大小与FLOPs）和检测准确度之间实现了更好的平衡，对于资源受限的应用极为有用。