A-Fast-RCNN：通过对抗生成困难正样本用于目标检测
计算机视觉与模式识别
2017-04-12 v1
摘要
我们如何学习一个对遮挡和形变不变的目标检测器？我们当前的解决方案是使用数据驱动策略——收集包含不同条件下目标实例的大规模数据集。希望最终分类器能利用这些样本学习不变性。但数据集中真能看到所有遮挡吗？我们认为像类别一样，遮挡和物体形变也遵循长尾分布。某些遮挡和形变极其罕见以至于几乎不发生；然而我们希望学习对这些情况不变的模型。本文中，我们提出一种替代方案。我们提出学习一个生成带遮挡和形变样本的对抗网络。对抗者的目标是生成目标检测器难以分类的样本。在我们的框架中，原始检测器与对抗者联合学习。我们的实验结果表明，与 Fast-RCNN 流程相比，在 VOC07 上 mAP 提升 2.3%，在 VOC2012 目标检测挑战上提升 2.6%。我们也发布了本文的代码。
引用
@article{arxiv.1704.03414,
title = {A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection},
author = {Xiaolong Wang and Abhinav Shrivastava and Abhinav Gupta},
journal= {arXiv preprint arXiv:1704.03414},
year = {2017}
}
备注
CVPR 2017 Camera Ready