用于目标检测的多路径网络
计算机视觉与模式识别
2016-08-09 v2
摘要
最近的COCO目标检测数据集为目标检测提出了几个新挑战。特别是，它包含大范围尺度的对象、较少原型化的图像，并且需要更精确的定位。为了应对这些挑战，我们测试了对标准Fast R-CNN目标检测器的三种修改：(1) 跳过连接，使检测器能访问多个网络层的特征；(2) 一种中央凹结构(foveal structure)，以利用多对象分辨率下的对象上下文；(3) 积分损失函数和相应的网络调整，以改善定位。这些修改的结果是信息可以在我们的网络中沿多条路径流动，包括通过来自多个网络层的特征和来自多个对象视图的特征。我们将修改后的分类器称为“MultiPath”网络。我们将我们的MultiPath网络与DeepMask对象提议耦合，后者非常适合定位和小对象，并调整我们的流程以除了边界框外还预测分割掩码。组合系统相比带Selective Search的基线Fast R-CNN检测器总体结果提高了66%，在小对象上提高了4倍。它在COCO 2015检测和分割挑战赛中都获得了第二名。
引用
@article{arxiv.1604.02135,
title = {A MultiPath Network for Object Detection},
author = {Sergey Zagoruyko and Adam Lerer and Tsung-Yi Lin and Pedro O. Pinheiro and Sam Gross and Soumith Chintala and Piotr Dollár},
journal= {arXiv preprint arXiv:1604.02135},
year = {2016}
}