Adaptive Feeding：通过自适应组合目标检测器实现快速且准确的检测
计算机视觉与模式识别
2017-07-21 v1
摘要
目标检测旨在同时实现高速度和高精度。然而，快速模型通常精度较低，而高精度模型无法满足我们对速度的需求。一个快速模型可能比一个高精度模型快 10 倍，但精度低 50%。在本文中，我们提出了 Adaptive Feeding (AF) 来组合一个快速（但精度较低）的检测器和一个高精度（但较慢）的检测器，其方式是通过自适应地判断图像是简单还是困难，并为其选择合适的检测器。在实践中，我们构建了一个检测器级联结构，包括做出简单与困难决策的 AF 分类器以及两个检测器。AF 分类器可以进行调整以在速度和精度之间获得不同的权衡，其训练时间可忽略不计，且不需要额外的训练数据。在 PASCAL VOC、MS COCO 和 Caltech Pedestrian 数据集上的实验结果证实，AF 能够同时实现与快速检测器相当的速度和与高精度检测器相当的精度。举例来说，通过将快速的 SSD300 与高精度的 SSD500 检测器相结合，AF 在 VOC2007 测试集上以相同精度实现了比 SSD500 快 50% 的速度提升。
引用
@article{arxiv.1707.06399,
title = {Adaptive Feeding: Achieving Fast and Accurate Detections by Adaptively Combining Object Detectors},
author = {Hong-Yu Zhou and Bin-Bin Gao and Jianxin Wu},
journal= {arXiv preprint arXiv:1707.06399},
year = {2017}
}
备注
To appear in ICCV 2017