通过自动物体关键部位发现浓缩两阶段检测
计算机视觉与模式识别
2020-08-14 v3
摘要
现代两阶段目标检测器通常要求其检测头具有过大的模型以实现高准确率。为解决此问题，我们提出两阶段检测头的模型参数可通过聚焦于物体关键部位而得以浓缩与缩减。为此，我们首先引入一个自动物体关键部位发现任务，使神经网络在每类前景物体中发现具有代表性的子部位。利用这些被发现的关键部位，我们随后将物体外观建模分解为用于检测的关键部位建模过程与全局建模过程。关键部位建模从被发现的关键部位中编码精细而详细的特征，全局建模则编码粗略而整体的物体特征。在实践中，此种分解使我们能在不牺牲过多检测准确率的前提下显著精简模型参数。在流行数据集上的实验表明，我们提出的技术在一致保持原始性能的同时，省去了常见两阶段检测头约 50% 的模型参数，且在省去约 96% 原始模型参数时性能仅下降 1.5%。代码发布于：https://github.com/zhechen/Condensing2stageDetection。
引用
@article{arxiv.2006.05597,
title = {Condensing Two-stage Detection with Automatic Object Key Part Discovery},
author = {Zhe Chen and Jing Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2006.05597},
year = {2020}
}