使用循环滚动卷积的精确单阶段检测器
计算机视觉与模式识别
2017-04-20 v1
摘要
最近大多数精确的物体检测与定位成功方法使用了一些 R-CNN 风格两阶段卷积神经网络 (CNN) 的变体，其中在第一阶段提出合理区域，然后第二阶段进行决策精炼。尽管单阶段检测方法在训练简单性和部署效率上有优势，但在考虑高 IoU 阈值下 mAP 的基准评估中，其竞争力不足。本文中，我们提出一种新颖的单阶段端到端可训练物体检测网络来克服此限制。我们通过引入在多尺度特征图上的循环滚动卷积 (RRC) 架构来构建“上下文深入”的物体分类器和边界框回归器，从而实现这一点。我们在具有挑战性的 KITTI 数据集上评估了我们的方法，该数据集在 IoU 阈值为 0.7 下衡量方法。我们展示使用 RRC，一个单一的基于简化 VGG-16 的模型已经显著优于所有先前发布的结果。在撰写本文时，我们的模型在 KITTI 车辆检测（困难级别）排名第一，骑行者检测排名第一，行人检测排名第二。这些结果此前单阶段方法未达到。代码已公开。
引用
@article{arxiv.1704.05776,
title = {Accurate Single Stage Detector Using Recurrent Rolling Convolution},
author = {Jimmy Ren and Xiaohao Chen and Jianbo Liu and Wenxiu Sun and Jiahao Pang and Qiong Yan and Yu-Wing Tai and Li Xu},
journal= {arXiv preprint arXiv:1704.05776},
year = {2017}
}
备注
CVPR 2017