最近遇到同一环境下，拍摄多张图片，检测结果存在差异的问题，故调研，考虑使用融合多帧信息去解决上述问题，发现这篇论文，该算法适用于我当前的问题，更适用于从事监控领域的同学，算法细节不赘述，看算法主体思路：
算法前半部分与双阶段RPN网络基本无异， 只是输入为多帧图片，得到若干anchor box的featrues，其中关键帧提取出n个，关键帧与其他帧共m个，此处双阶段检测相比于单阶段在视频信息融合上体现出了优势，即可以提取语义特征后接融合算法，接下来就是融合RPN的信息，论文中使用了attention机制，为了减少运算和存储负担，先对RPN特征进行pooling，此处操作和SEblock很像，之后通过前向得到q，k，v，q由关键帧得到，字典k则由所有帧（上下文帧以及关键帧）前向得到，接下来的操作在我看来具有很强的可解释性，通过q与k相乘，很好的查找了上下文特征与关键帧特征相关联的信息，并得到高权重，最后对v加权，投影后再叠加到关键帧的RPN特征上。
这种通过attention融合第一阶段特征进行视频分析相似的论文还有Object Detection in Video with Spatial-temporal Context Aggregation，Memory Enhanced Global-Local Aggregation for Video Object Detection，在我看来这几篇基本是一个意思，但谷歌的这篇论文写的不错，另外两篇notation满天飞，看着烦，只粗读