CBNet：一种用于目标检测的新型复合主干网络架构

在现有的基于卷积神经网络（CNN）的目标检测器中，主干网络（backbone network）是基础特征提取的关键组件，检测器的整体性能在很大程度上依赖于主干网络的表达能力。本文旨在通过融合现有主干网络（如ResNet和ResNeXt）构建一个更强的主干网络，从而实现更优的检测性能。为此，我们提出一种新颖的多分支主干网络集成策略：通过相邻主干网络之间的复合连接（composite connections），将多个相同的主干网络组合成一个更强大的新型主干网络，命名为复合主干网络（Composite Backbone Network, CBNet）。在该架构中，CBNet以逐阶段的方式，将前一个主干网络输出的高层特征（即高阶特征）作为输入的一部分，迭代地传递给后续的主干网络。最终，使用最后一个主干网络（称为“主导主干”Lead Backbone）所生成的特征图进行目标检测任务。实验表明，CBNet可被轻松集成到大多数先进的检测器中，并显著提升其性能。例如，在COCO数据集上，CBNet使FPN、Mask R-CNN和Cascade R-CNN的平均精度（mAP）分别提升了约1.5至3.0个百分点。同时，实验结果还显示，实例分割性能也得到明显改善。特别地，仅通过将所提出的CBNet集成到基准检测器Cascade Mask R-CNN中，便在单模型条件下取得了COCO数据集上的新SOTA（state-of-the-art）结果，mAP达到53.3，充分验证了CBNet架构的有效性与优越性。相关代码将公开于：https://github.com/PKUbahuangliuhe/CBNet。