论文地址：https://arxiv.org/pdf/1906.07155.pdf
源码地址：https://github.com/open-mmlab/mmdetection
2019年收集于cs.CV的论文《MMDetection: Open MMLab Detection Toolbox and Benchmark》介绍了具集MMDetection，该工具集支持物体检测，实例分割，它基于2018年COCO挑战赛冠军队MMDet的代码，程序由Pytorch编写，不仅提供了代码，还提供编译好的模型。论文偏重工程实践，还提供各种算法的测试对比。
MMDetection有以下优势：
- 模块化设计，开发者可快速构造自己的目标检测工具。
- 支持多个当前最新的目标检测框架。
- 可以在GPU上高效地运行，与当前最优秀的工具持平或更快。
- 效果更好，赢得了2018年COCO挑战赛。
支持框架
MMDetection支持多种当前流行的目标识别框架，具体如下表所示：
单级（One-Stage）方法
- SSD：2015年提出的精典且使用广泛的单级目标检测模型。
- RetinaNet：2017年提出的基于焦点损失的高性能单级模型。
- GHM：2019年提出的调节梯度的单级模型。
- FCOS：2019年提出的全卷积单级模型。
- FSAF：2019年提出的基于特征选择（feature selective）的无锚点单级模型。
两级（Two-Stage）方法
- Fast R-CNN [9]：2015年提出的R-CNN的改进版本，它使用端到端的模型提高了训练和检测速度，由于目标检测被分为前期的计算备选区域和后期的分类以及精调，因此被认为两级方法。
- Faster R-CNN：2015年提出的Fast R-CNN的改进版本，主要加强了备选区域的计算速度。
- R-FCN：2016年提出的使用全卷积方法实现的目标检测和语义分割。
- Mask R-CNN：2017年提出的目标检测和实例分割方法，可使用端到端的模型实现目标检测、实例分割、关键点检测等任务，且精度很高。
- Grid R-CNN [20]：2018年提出的基于网格的精调目标位置的方法（类似YOLO）。
- Mask Scoring R-CNN：2019年提出通过预测IoU掩码提升Mask R-CNN模型效果的方法。
- Double-Head R-CNN：2019年提出的多头RNN，用不同的头分别实现分类和定位。
多级（Multi-stage）方法
- Cascade R-CNN：2017年提出的有效的多级目标检测方法。
- Hybrid Task Cascade：2019年提出的多级多分枝的目标检测和实例分割方法。MMDetection工具集不仅支持目标检测的多种方法，还考虑到了更多的使用场景及扩展方法。
通用的模块和方法
- Mixed Precision Training：2018年提出的使用半精度浮点数训练深度模型的方法，此方法可以提高模型效率。
- Soft NMS：2017年提出的NMS的替代方案，也用于目标区域去冗余。
- OHEM：2016年提出的在线挖掘难采样的方法（用更难的实例训练，以便更快收敛）。
- DCN：2017年提出的可变形卷积和可变形RoI池化。
- DCNv2：2018年提出的调制变形算子。
- Train from Scratch：2018年提出的用随机初始化方式替代预训练模型的方法。
- ScratchDet：2018年提出的另一种从头训练模型的方法。
- M2Det：2018年提出的更有效的构造特征金字塔的方法。
- GCNet：2019年提出的全局上下文模型可以有效地对全局建模。
- Generalized Attention：2019年提出的普适的注意力方法。
- SyncBN：工具集中用Pytorch实现了，利用GPU执行同步批量规范化（batch normalization，BN）。
- Group Normalization：2018年提出的BN的替代方法，在目标检测任务中batch_size比分类任务中的batch_size小很多，BN可能影响模型效果，可使用GN，在规范化时计算各个通道的均值和方差，以减轻上述问题的影响。
- Weight Standardization：2019年提出的微批量训练卷积层权重标准化。
- HRNet：2019年提出的针对高分辨率图像表示的基础网络（backbone）。
- Guided Anchoring：2019年提出的预测稀疏和异形的锚点方法。
- Libra R-CNN：2019年提出的一种平衡目标检测学习的新框架。
此论文也是近两年目标识别技术的总览，MMDetection工具集实现了上述所有方法，截至目前， git项目仍在不断更新。
结构
虽然不同目标检测工具框架不同，但一般都由以下几部分（头、脖子、躯干……）构成：
- Backbone（躯干） 底层网络用于提取图片特征，如VGG，Resnet等，常常由卷积网络构成，不包含最后的全连接层。它一般也是各种图像处理网络中体量最大的部分。
- Neck（脖子） Neck衔接backbone和head，实现精调特征或者精细配置，如FPN（特征金字塔网络）就是典型Neck。
- DenseHead（头） DenseHead用于处理带有位置信息的特征（一般是WxHxC），比如AnchorHead RPN-Head RetinaHead等等。
- RoIExtractor
RoI是感兴趣的区域，RoIExtractor用RoI池化或者类似的方法，从特征金字塔中提取某一区域的图像特征。 - RoIHead
RoIHead将区域特征作为输入，对于每一个区域执行预测任务，例如分类，精调边框，计算实例掩码（Mask）等等。
单级和双级的框架如下图所示：
工具集提供各个子模块的实现，开发者可以通过简单的装配，实现具体任务。一个典型的训练流程如下图所示：
模型效果
下面截取了一部分评测效果，论文中还提供更多的针对COCO数据集的测试，包括各种上层目标识别算法和下层特征提取模型，对比了各个模型的精度、速度以及内存占用量，详情请见论文。
网友评论