tensorflow对象检测:使用更多的特征提取器和更快的RCNN

Question

我正在尝试对一个自定义的、相对简单的数据集(具有大约30k个样本)执行对象检测。我已经成功地将Faster_RCNN与Resnet101_v1 (最终的mAP 0.9)和inception_resnet_v2特征提取器(正在培训中)一起使用。现在我想让我的模型运行得更快，但仍然保持良好的性能，所以我想比较一下我的模型，与固态硬盘在不同版本的mobile_net上运行。然而，为了了解哪些性能变化来自固态硬盘，哪些来自特征提取器，我也想尝试更快- mobile_nets的RCNN。这也有可能在性能和推理时间之间产生我需要的折衷(更快的RCNN是好的和慢的，mobile_nets是快的)。

最初的MobileNets paper提到将其与更快的RCNN一起使用，我猜他们使用了tensorflow模型检测API，所以也许他们发布了文件来使MobileNets适应更快的RCNN？

如何使mobile_nets与Faster-RCNN兼容？

Answer 1

简而言之，需要创建Faster-RCNN Feature Extractor的MobileNet版本。这是我们正在考虑添加的东西，但不是当前的优先事项。

Answer 2

我显然不是专家，但据我所知，你不能在faster_rcnn中使用mobilenets，mobilenets是基于与faster_rcnn不同的架构yolo的。

Answer 3

谷歌最近发布了它的对象检测模型。

https://github.com/tensorflow/models/tree/master/object_detection

你可以很容易地用这个接口替换特征提取器(Xception、Inception ResNet、DenseNet或Mobile Net)和一个当前的对象检测器。

在许多目标识别系统中，有两个共同的部分。第一部分是特征提取器(从图像输入中提取边缘、线条、颜色等特征)。第二部分是目标检测器(Faster R-CNN，SSD，YOLOv2)。