Cascade RPN：基于自适应卷积探究高质量区域提议网络
计算机视觉与模式识别
2019-12-05 v2
摘要
本文研究一种称为级联区域提议网络（Cascade Region Proposal Network，Cascade RPN）的架构，通过系统性地解决传统 RPN 启发式定义锚框并将特征与锚框对齐的局限性，来提升区域提议质量与检测性能。首先，Cascade RPN 不采用具有预定义尺度和长宽比的多个锚框，而是每个位置仅依赖单个锚框并进行多阶段精炼。每个阶段通过先采用无锚框度量、后续阶段采用基于锚框的度量，逐步更严格地定义正样本。其次，为在各阶段实现特征与锚框的对齐，提出自适应卷积（adaptive convolution），其除图像特征外还将锚框作为输入，并在锚框引导下学习采样特征。一个两阶段 Cascade RPN 的简单实现取得了比传统 RPN 高 13.4 个点的 AR，超越了所有现有的区域提议方法。当应用于 Fast R-CNN 和 Faster R-CNN 时，Cascade RPN 可分别将检测 mAP 提升 3.1 和 3.5 个点。代码已公开于 \url{https://github.com/thangvubk/Cascade-RPN.git}。
引用
@article{arxiv.1909.06720,
title = {Cascade RPN: Delving into High-Quality Region Proposal Network with Adaptive Convolution},
author = {Thang Vu and Hyunjun Jang and Trung X. Pham and Chang D. Yoo},
journal= {arXiv preprint arXiv:1909.06720},
year = {2019}
}
备注
To appear in NeurIPS 2019 (spotlight)