目标检测中尺度不变性分析——SNIP
计算机视觉与模式识别
2018-05-28 v2
摘要
本文分析了在极端尺度变化下识别和检测物体的不同技术。通过比较以不同输入数据配置训练的尺度特定与尺度不变检测器设计,对二者进行了对比。通过在 ImageNet 上评估不同网络架构对小物体分类的性能,我们表明 CNN 对尺度变化不具鲁棒性。基于该分析,我们提出在图像金字塔的相同尺度上训练和测试检测器。由于小物体和大物体分别难以在较小和较大尺度上被识别,我们提出了一种称为图像金字塔尺度归一化(SNIP)的新训练方案,其根据图像尺度选择性地反向传播不同大小物体实例的梯度。在 COCO 数据集上,我们的单模型性能为 45.7%,三个网络的集成获得 48.3% 的 mAP。我们使用现成的 ImageNet-1000 预训练模型,并仅使用边界框监督进行训练。我们的提交在 COCO 2017 挑战赛中荣获最佳学生作品奖。代码将发布于 \url{http://bit.ly/2yXVg4c}。
引用
@article{arxiv.1711.08189,
title = {An Analysis of Scale Invariance in Object Detection - SNIP},
author = {Bharat Singh and Larry S. Davis},
journal= {arXiv preprint arXiv:1711.08189},
year = {2018}
}
备注
CVPR 2018, camera ready version