获取定位置信度以实现准确目标检测
计算机视觉与模式识别
2018-08-01 v1
摘要
现代基于 CNN 的目标检测器依赖边界框回归和非极大值抑制来定位目标。虽然类别标签的概率自然反映了分类置信度，但定位置信度是缺失的。这使得正确定位的边界框在迭代回归中退化，甚至在 NMS 过程中被抑制。在本文中，我们提出 IoU-Net 学习来预测每个检测到的边界框与匹配的真实标注框之间的 IoU。该网络获得了这种定位置信度，通过保留准确定位的边界框改进了 NMS 过程。此外，提出了一种基于优化的边界框精修方法，其中将预测的 IoU 构建为目标函数。在 MS-COCO 数据集上的大量实验表明了 IoU-Net 的有效性，以及其与多种最先进目标检测器的兼容性和适应性。
引用
@article{arxiv.1807.11590,
title = {Acquisition of Localization Confidence for Accurate Object Detection},
author = {Borui Jiang and Ruixuan Luo and Jiayuan Mao and Tete Xiao and Yuning Jiang},
journal= {arXiv preprint arXiv:1807.11590},
year = {2018}
}
备注
Accepted to European Conference on Computer Vision (ECCV) 2018