C-RPNs：通过区域提议网络级联结构推动真实世界中的目标检测
计算机视觉与模式识别
2019-08-20 v1
摘要
近来，在通用基准（即 Pascal VOC）上的目标检测已取得显著进展。然而，由于严重的数据不平衡，真实世界中的目标检测仍具挑战性。例如，真实世界图像由背景的广泛范围以及一些易识别物体等简单样本所主导。尽管像 Faster R-CNN 这样的两阶段检测器因通过区域提议网络提取区域提议的策略在目标检测中取得巨大成功，但由于在提取区域提议时未考虑难样本挖掘，它们在真实世界目标检测中表现出较差的适应性。为解决此问题，我们提出一种区域提议网络的级联框架，称为 C-RPNs。C-RPNs 的本质是采用多阶段在提取区域提议的同时挖掘难样本并学习更强的分类器。同时，提出特征链与分数链以帮助学习更具判别性的提议表示。此外，设计了一种级联阶段损失函数，通过反向传播训练级联分类器。我们提出的方法已在 Pascal VOC 及若干具挑战性数据集（如 BSBDV 2017、CityPersons 等）上评估。与当前最优方法相比，我们的方法取得了具竞争力的结果，并在误差分析中实现全方位改进，验证了其在真实世界检测中的有效性。
引用
@article{arxiv.1908.06665,
title = {C-RPNs: Promoting Object Detection in real world via a Cascade Structure of Region Proposal Networks},
author = {Dongming Yang and YueXian Zou and Jian Zhang and Ge Li},
journal= {arXiv preprint arXiv:1908.06665},
year = {2019}
}
备注
28 pages,10 figures