我正在尝试在自定义的，相对容易的数据集上执行对象检测（大约30k样本）。我已成功使用Faster_RCNN和Resnet101_v1（最终mAP 0.9）和inception_resnet_v2特征提取器（正在进行培训）。现在我希望我的模型运行得更快，但仍然保持良好的性能，所以我想比较我的模型，运行各种版本的mobile_net的SSD。但是，要知道哪些性能变化来自SSD以及哪些来自功能提取器，我还想尝试使用mobile_nets进行Faster-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，而mobile_nets是快的）。
最初的MobileNets paper提到将它与更快的RCNN一起使用，我猜他们使用了张量流模型检测API，所以他们可能已经发布文件以使MobileNets适应更快的RCNN？
如何让mobile_nets与Faster-RCNN兼容？
答案 0 :(得分：2)
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内容，但不是当前的优先事项。
答案 1 :(得分：0)
我显然不是专家，但据我所知，你不能使用rapid_rcnn的移动网络，移动网络基于yolo，这是与faster_rcnn不同的架构。
答案 2 :(得分：0)
Google最近发布了其对象检测模型。
https://github.com/tensorflow/models/tree/master/object_detection
您可以使用此API（Xception，Inception ResNet，DenseNet或Mobile Net）使用当前对象检测器轻松替换功能提取器。
许多物体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）。第二部分是对象检测器（更快的R-CNN，SSD，YOLOv2）。