Faster RCNN 改进论文及资料

1，面向小目标的多尺度Faster RCNN检测算法　　　黄继鹏等

• 对高分辨率图像进行下采样和上采样，使得网上获取的数据与实际测试数据分布接近。
  • 下采样：最大池化和平均池化
  • 上采样：线性插值，区域插值，最近邻插值
• 用梯度上升法对图像特征进行重构：aims to 可视化地展示深度网络不同层提取出的小目标特征的区别
  • 　　result ：对于小目标检测问题，卷积神经网络的底层特征比高层特征更加有效
• 利用t-SNE方法对这两类图像（高分辨率和低分辨率）中的目标特征（拖拉机）进行降维（该方法的输入为：ROI pooling层后得到的大小相同的特征向量）
• 用低分辨率图像训练，用高分辨率和低分辨率测试。
• 采用了ZF和VGG16为基本网络。
• anchor box的比例参数ratio：设为0.7，1，1.4; 對應的尺度参数：anchor scale：cov1_2 : 2,4; cov3_3 : 4,8; conv4_3 : 8,16 ; conv5_3: 8,16